Smaug Mini
Abacus AI · abacusai/Smaug-Mini
Arquivo Q4 de 16,5 GB (Q4_K_M) · roda bem a partir de 24 GB · Licença dos pesos: Apache 2.0
Qualidade
Qualidade · Geral
LiveBench 2026-06-25 · 0 a 100 · maior é melhor · este modelo em destaque, #7 de 22
- Cor = publicador
- Memória em revisão
Fonte: LiveBench 2026-06-25 · coletado 2026-09-26 · 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
Fonte: LiveBench 2026-06-25 · coletado 2026-09-26 · modelos abertos sem nota não aparecem (sem nota ≠ 0)
Informado pelo publicador
- AutomationBench
- 41,8
- JobBench
- 50,5
- LiveBench agentic coding
- 60,8
- NL2Repo-Bench
- 55,8
- GPQA-diamond
- 89,4
- HLE
- 34,2
- IFBench
- 82,0
- LiveBench overall
- 76,9
Todos os resultados informados
- MMMU-Pro
- 75,6
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: 3. Evaluation › Smaug-Mini vs its base); coluna “Smaug-Mini”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Rodar
Rodar
Arquivo Q4_K_M · 16,5 GB · prithivMLmods/Smaug-Mini-GGUF · O que é Q4?
ollama run hf.co/prithivMLmods/Smaug-Mini-GGUF:Q4_K_M- Instale o Ollama
- Rode o comando acima
- Pergunte:
Explique o que é a janela de contexto, em duas frases.
Qualidade × memória
Qualidade × memória
LiveBench 2026-06-25 geral vs. memória de planejamento Q4 (escala log) · 18 modelos abertos
- Este modelo
- Cor = publicador
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
Cabe na memória rápida 48
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 48
Na memória, fora da parte rápida 45
Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.
Mostrar todos os 45
Falta um degrau de memória 9
As mesmas máquinas com o próximo tamanho de memória o comportariam na memória rápida.
Mostrar todos os 9
Smaug Mini é um modelo de texto da Abacus AI com 27B de parâmetros. Lê até 262.144 tokens de contexto. Os pesos em Q4 com a margem de trabalho somam cerca de 21 GB antes da reserva da máquina; as menores máquinas de referência cuja memória rápida comporta isso são Mac mini M4 · 32 GB unificados (~29 GB com a reserva) e RTX 4090 · 24 GB de VRAM (~23 GB com a reserva). Coletamos 3 arquivos GGUF para baixar de um publicador; a fonte GGUF mais baixada é a de prithivMLmods (905 de downloads no Hub). Sua nota geral no LiveBench 2026-06-25 é 76,9.
Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Cada cartão abre o perfil do hardware. Não é compatibilidade nem velocidade medida.
Nas máquinas de referência
| Onde fica o Q4 | ||||
|---|---|---|---|---|
| Mac mini M2 · 8 GB unificadosMaior que a memóriaNenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokensSem arquivo na coluna anterior | ~23 GB | Maior que a memória | Nenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokens | Sem arquivo na coluna anterior |
| Mac mini M4 · 16 GB unificadosMaior que a memóriaNenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokensSem arquivo na coluna anterior | ~25 GB | Maior que a memória | Nenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokens | Sem arquivo na coluna anterior |
| Mac mini M4 · 24 GB unificadosMaior que a memóriaNenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokensSem arquivo na coluna anterior | ~27 GB | Maior que a memória | Nenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokens | Sem arquivo na coluna anterior |
| Mac mini M4 · 32 GB unificadosCabe na memória rápidaQ5_K_M8.192 tokens | ~29 GB | Cabe na memória rápida | Q5_K_M | 8.192 tokens |
| Mac mini M5 Pro · 64 GB unificadosCabe na memória rápidaQ5_K_M262.144 tokens | ~29 GB | Cabe na memória rápida | Q5_K_M | 262.144 tokens |
| Mac Studio M5 Max · 128 GB unificadosCabe na memória rápidaQ5_K_M262.144 tokens | ~29 GB | Cabe na memória rápida | Q5_K_M | 262.144 tokens |
| Mac Studio · M5 Ultra · CPU de 36 núcleos / GPU de 80 núcleos · 512 GB unificadosCabe na memória rápidaQ5_K_M262.144 tokens | ~29 GB | Cabe na memória rápida | Q5_K_M | 262.144 tokens |
| RTX 4060 · 8 GB de VRAMNa memória, fora da parte rápidaNenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokensSem arquivo na coluna anterior | ~23 GB | Na memória, fora da parte rápida | Nenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokens | Sem arquivo na coluna anterior |
| RTX 3060 · 12 GB de VRAMNa memória, fora da parte rápidaNenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokensSem arquivo na coluna anterior | ~23 GB | Na memória, fora da parte rápida | Nenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokens | Sem arquivo na coluna anterior |
| RTX 5080 · 16 GB de VRAMNa memória, fora da parte rápidaNenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokensSem arquivo na coluna anterior | ~23 GB | Na memória, fora da parte rápida | Nenhum arquivo da escada de quantização do site cabe na memória rápida com 8.192 tokens | Sem arquivo na coluna anterior |
| RTX 4090 · 24 GB de VRAMCabe na memória rápidaQ4_K_M16.384 tokens | ~23 GB | Cabe na memória rápida | Q4_K_M | 16.384 tokens |
| RTX 5090 · 32 GB de VRAMCabe na memória rápidaQ5_K_M65.536 tokens | ~23 GB | Cabe na memória rápida | Q5_K_M | 65.536 tokens |
| DGX H100 · 8 × 80 GBCabe na memória rápidaQ5_K_M262.144 tokens | ~37 GB | Cabe na memória rápida | Q5_K_M | 262.144 tokens |
A coluna de arquivo usa a escada de quantização do site (Q8_0 a Q3_K_M; MLX de 8 a 4 bits no Mac): o maior arquivo coletado cujo tamanho × 1,2, mais o cache de contexto e a reserva da máquina, cabe na memória rápida. Estimativas de planejamento, não execuções medidas.
Considere este ajuste do Qwen3.8-27B voltado a agentes quando quiser comparar uso de ferramentas com o modelo base.
O publicador documenta execução em vLLM e ajustes para agentes, mas este site não verificou um mínimo de hardware nem reproduziu os testes.
Versões para baixar
Arquivos que você pode baixar deste checkpoint. A seção abre na fonte GGUF coletada mais baixada, prithivMLmods (905 de downloads no Hub), no arquivo Q4_K_M. Os tamanhos são os bytes publicados no Hub. O que é Q4?
GGUF · o único formato coletado
prithivMLmods · 905 downloads
Envio da comunidade fora da lista de publicadores: No allowlisted publisher ships a GGUF or MLX build of abacusai/Smaug-Mini (Hub search base_model:quantized:abacusai/Smaug-Mini, 2026-10-17); this is the only GGUF with named quants and its README front matter declares base_model: abacusai/Smaug-Mini.
prithivMLmods/Smaug-Mini-GGUF · Smaug-Mini.Q4_K_M.gguf · 16,5 GB
Rodar este arquivo
ollama run hf.co/prithivMLmods/Smaug-Mini-GGUF:Q4_K_Mllama-server -hf prithivMLmods/Smaug-Mini-GGUF:Q4_K_Mlms get https://huggingface.co/prithivMLmods/Smaug-Mini-GGUF- mlx-lm: O mlx-lm roda repositórios MLX; escolha a versão MLX num Mac
As notas de qualidade desta página pertencem ao checkpoint original; estes arquivos não recebem nota nem ranking. Tamanhos lidos em 2026-10-23 · downloads lidos em 2026-10-17 · comandos: Documentação do Hugging Face Hub: Ollama com qualquer modelo GGUF · README do servidor do llama.cpp (-hf <user>/<model>[:quant]) · Documentação do LM Studio: lms get com uma URL do Hugging Face · README do mlx-lm (mlx_lm.generate --model)
Ajustes, adaptadores e outras versões
- Versões quantizadas
- 6
- Ajustes (fine-tunes)
- 0
- Adaptadores · misturas
- 0 · 1
Ver na árvore de modelos do Hugging Face · lido em 2026-10-23
Versões sem filtro (uncensored, abliterated)
Algumas versões da comunidade removem as recusas de segurança do modelo. A qualidade pode cair, o publicador original não dá suporte, as afirmações sobre elas são de quem as publicou e a licença original continua valendo. Este site nunca as recomenda nem as ranqueia.
0 repositórios derivados têm “uncensored” ou “abliterated” no nome (lido em 2026-10-23).
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
~21 GB de pesos Q4 com margem de trabalho, 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.
Exemplo do publicador
vllm serve abacusai/Smaug-Mini --max-model-len 262144 --reasoning-parser qwen3 --enable-auto-tool-choice --tool-call-parser qwen3_coderNível da evidência: Apenas estimativa genérica; nenhuma execução reproduzida por este site.
- Amostragem padrão do publicador
- temperature 1 · top_p 0,95 · top_k 20generation_config.json · lido em 2026-10-23fonte
- Marcadores do template de chat
- chamadas de ferramenta · raciocínio (thinking)marcadores encontrados no template, não um teste do recurso · lido em 2026-10-23fonte
Antes de baixar
- Confirme o checkpoint exato e a licença vinculada aqui.
- Confirme runtime e precisão ou quantização compatíveis com sua plataforma.
- 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-Mini
- Tarefa e modalidade
- linguagem e raciocínio · texto + imagem
- Contagem e base
- 27B · especificação do fabricante · 27B ativos
- Contexto
- 262.144 tokens publicados para este modelo
- Arquitetura
- Dense
- Runtime e precisão
- O publicador documenta vLLM. Precisão e execução local não foram verificadas por este site.
- Uso comercial
- Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
Todos os campos guardados
- Revisão conferida
- ee82c1ded4be75e160c0f7730fdae9e93ee4c80e
- Arquitetura
- Qwen3_5ForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- image-text-to-text
- Formatos
- safetensors
- Repositório criado
- 2026-09-02criação não é o lançamento do modelo
- Repositório atualizado
- 2026-09-09um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 817 · 13só este repositório · lido em 2026-10-25
- Lido na página do Hub
- tarefa, classe transformers, tags de tarefa, formatos de arquivoVisão geral e lista de arquivos do Hub · lido em 2026-10-18
- Estado no catálogo
- Inventário do Hub atualizado
Este é um ajuste do Qwen3.8-27B voltado a agentes. A ficha oficial fornece ajustes de ferramentas no vLLM, mas o score de benchmark não mede confiabilidade nas suas tarefas.
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Checkpoint e ficha do publicador
- Licença dos pesos e termos de uso
- Fonte do benchmark de qualidade · LiveBench 2026-06-25 geral
- Exemplo de runtime do publicador
Catálogo revisado: 2026-09-30. Versão do benchmark: 2026-06-25; snapshot coletado: 2026-09-26.



























































