Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

Smaug Agentic

Abacus AI · abacusai/Smaug-Agentic

Licença dos pesos: Termos do publicador: Kimi K3 · código e componentes podem ter outros termos

LiveBench · geral79,5 / 100#2 de 23 modelos abertos · 2026-06-25
Memória necessária~2.100 GBPesos Q4 + margem, antes da reserva da máquina
Parâmetros2.800 Bespecificação do fabricante · 104B ativos
Contexto1.048.576 tokensPublicado para este modelo

Qualidade

Qualidade · Geral

LiveBench 2026-06-25 · 0 a 100 · maior é melhor · este modelo em destaque, #2 de 23

  • Cor = publicador
  • Memória em revisão

Fonte: LiveBench 2026-06-25 · coletado 2026-10-18 · modelos abertos sem nota não aparecem (sem nota ≠ 0)

Sem resultado em LMArena 2026-10-22 Sem resultado no LMArena 2026-10-22

Categorias do LiveBench

Média deste modelo por categoria · 0 a 100

90,3RaciocínioRaciocínio82,5CódigoCódigo64,6Código com agentesCódigo com agentes83,9MatemáticaMatemática79,9Análise de dadosAnálise de dados84,4LinguagemLinguagem71,0Seguir instruçõesSeguir instruções

Fonte: LiveBench 2026-06-25 · coletado 2026-10-18 · modelos abertos sem nota não aparecem (sem nota ≠ 0)

Informado pelo publicador

8 resultados · ficha de Abacus AI · lida em 2026-10-25
GPQA Diamond
94,1
AA-LCR
75,7
DeepSWE
69,9
Terminal-Bench 2.1
86,5
SciCode
60,8
LiveBench (Agentic Coding)
64,6
AutomationBench
31,0
MMMU-Pro
81,0

Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: 3. Evaluation Results); coluna “Smaug-Agentic (max)”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo

Qualidade × memória

Qualidade × memória

LiveBench 2026-06-25 geral vs. memória de planejamento Q4 (escala log) · 19 modelos abertos

  • Este modelo
  • Cor = publicador
40608010081632641282565121.0242.0484.096Memória necessária · Q4 · só o modelo (GB, log)LiveBenchQwen3.8 MaxDeepSeek V4 Pro · 0813Smaug MiniSmaug Agentic

Memória = o número do próprio modelo: parâmetros × 0,625 byte + 20% de margem, antes da reserva de qualquer máquina; com uma máquina escolhida, o total nela com a reserva (25% da memória, de 2 a 8 GB; 2 GB por placa de vídeo). Estimativa, não VRAM medida. LiveBench 2026-06-25

Roda em

Mais memória que qualquer perfil do catálogo

Mesmo o maior perfil (8 × 80 GB, somados) fica abaixo desta estimativa de planejamento. Montagens com vários nós estão fora deste catálogo.

Smaug Agentic é um modelo de texto da Abacus AI com 2.800B de parâmetros, dos quais 104B ativos por token (mistura de especialistas). Foi lançado em 10 de setembro de 2026 e lê até 1.048.576 tokens de contexto. Os pesos em Q4 com a margem de trabalho somam cerca de 2.100 GB, mais do que a memória rápida de todas as máquinas de referência. Nenhum arquivo GGUF ou MLX dele foi coletado do Hub, então esta página não lista tamanhos de arquivo nem comandos. Sua nota geral no LiveBench 2026-06-25 é 79,5.

Nas máquinas de referência

Smaug Agentic nas máquinas de referência
Onde fica o Q4
Mac mini M2 · 8 GB unificadosMaior que a memória~2.102 GBMaior que a memória
Mac mini M4 · 16 GB unificadosMaior que a memória~2.104 GBMaior que a memória
Mac mini M4 · 24 GB unificadosMaior que a memória~2.106 GBMaior que a memória
Mac mini M4 · 32 GB unificadosMaior que a memória~2.108 GBMaior que a memória
Mac mini M5 Pro · 64 GB unificadosMaior que a memória~2.108 GBMaior que a memória
Mac Studio M5 Max · 128 GB unificadosMaior que a memória~2.108 GBMaior que a memória
Mac Studio · M5 Ultra · CPU de 36 núcleos / GPU de 80 núcleos · 512 GB unificadosMaior que a memória~2.108 GBMaior que a memória
RTX 4060 · 8 GB de VRAMMaior que a memória~2.102 GBMaior que a memória
RTX 3060 · 12 GB de VRAMMaior que a memória~2.102 GBMaior que a memória
RTX 5080 · 16 GB de VRAMMaior que a memória~2.102 GBMaior que a memória
RTX 4090 · 24 GB de VRAMMaior que a memória~2.102 GBMaior que a memória
RTX 5090 · 32 GB de VRAMMaior que a memória~2.102 GBMaior que a memória
DGX H100 · 8 × 80 GBMaior que a memória~2.116 GBMaior que a memória

Nenhum arquivo GGUF ou MLX foi coletado para este checkpoint, então a tabela não tem coluna de arquivo; os valores Q4 são estimativas de planejamento pela contagem de parâmetros, não execuções medidas.

Planejar outra quantização ou contexto

Considere para

Compare Smaug Agentic pela ficha do publicador e pelo snapshot LiveBench 2026-06-25. Isto é evidência de qualidade, não de velocidade local.

Confira antes

Os pesos em Q4 com a margem de trabalho somam cerca de 2100 GB a partir de 2.800B parâmetros declarados, antes da reserva da máquina (Roda em soma a reserva de cada máquina). Não é um mínimo medido; contexto, lote, runtime e quantização mudam o uso real de memória.

Velocidade medida

Nenhuma medição publicada para este checkpoint

Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.

Como rodar

A memória necessária acima é a carga Q4 antes da reserva da máquina. Fórmula: parâmetros × 0,625 byte, mais 20% de margem; cada máquina soma então a reserva do sistema: 25% da memória unificada ou do sistema, de 2 a 8 GB, ou 2 GB por GPU em placas dedicadas. Não é VRAM medida nem tamanho do download do checkpoint.

Apenas estimativa de planejamento Q4. Verifique formato do checkpoint, suporte do runtime, cache KV, contexto, tamanho de lote e offload antes de escolher hardware.

Formas documentadas de rodar

A ficha do modelo aponta para outra página sem comando próprio

Nível da evidência: Apenas estimativa genérica; nenhuma execução reproduzida por este site.

Versões para baixar
— Nenhum arquivo GGUF ou MLX coletado do Hub para este checkpoint
Amostragem padrão do publicador
— Nenhum dado de arquivos do Hub coletado para este checkpoint
Marcadores do template de chat
— Template de chat não lido para este checkpoint
Antes de baixar
  1. Confirme o checkpoint exato e a licença vinculada aqui.
  2. Confirme runtime e precisão ou quantização compatíveis com sua plataforma.
  3. Reserve memória para contexto, lote e eventuais componentes de mídia além dos pesos.

Detalhes técnicos

O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.

Checkpoint / versão
abacusai/Smaug-Agentic
Tarefa e modalidade
linguagem e raciocínio · texto + imagem
Contagem e base
2.800B · especificação do fabricante · 104B ativos
Contexto
1.048.576 tokens publicados para este modelo
Arquitetura
MoE
Lançamento
Abacus.AI Launches the Smaug Line of Open-Weight Models Optimized for Enterprise Agentic AI Use Cases (PR Newswire, dateline Sept. 10, 2026) · consultado em 2026-10-10fonte
Runtime e precisão
Nenhuma execução local verificada.
Uso comercial
Permitido com condições Operadores de modelo como serviço acima de USD 20 mi de receita anual precisam de acordo; produtos grandes exibem "Kimi K3" · Kimi K3 license (moonshotai/Kimi-K3 LICENSE) · consultado em 2026-10-18texto da licença
Todos os campos guardados10 campos
Revisão conferida
3cfed21972e7db48b277a349137e09a44142ec6c
Arquitetura
KimiK3ForConditionalGeneration
Biblioteca
transformers
Tag de tarefa no Hub
image-text-to-text
Formatos
safetensors
Repositório criado
2026-08-10criação não é o lançamento do modelo
Repositório atualizado
2026-09-09um commit não é data de lançamento
Downloads no Hub (30 dias) · curtidas
173 · 25só este repositório · lido em 2026-10-25
Lido na página do Hub
tarefa, classe transformers, tags de tarefa, nome da licença, formatos de arquivoVisão geral e lista de arquivos do Hub · lido em 2026-10-18
Estado no catálogo
Inventário do Hub atualizado

Fontes

Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.

Catálogo revisado: 2026-09-30. Versão do benchmark: 2026-06-25; snapshot coletado: 2026-10-18.