Açık ağırlıklı Darwin-180B MoE, SuperCLUE matematik ve fen testinde reportedly ikinci oldu

Açık ağırlıklı model, bir Çin muhakeme benchmark'ının tepelerine yerleşti

dev.to'da yer alan ve Çin kaynaklı NetEase'e dayanan bir habere göre, Güney Koreli girişim VIDRAFT'ın Mixture-of-Experts dil modeli Darwin-180B-RSI-R3, SuperCLUE'un Kasım 2026 matematik ve fen muhakeme boyutunda 73.68 puan aldı. Bu skor, değerlendirilen 19 model arasında ikincilik ve açık ağırlıklı modeller arasında birincilik anlamına geliyor; önünde yalnızca 76.32 puanlı GPT-6.1-Sol var. Habere göre aynı tablo, söz konusu boyutta modeli Gemini, Grok ve DeepSeek'in üzerine yerleştiriyor.

Model nedir

Darwin-180B-RSI-R3 toplamda 180 milyar parametreye sahip olsa da çıkarım sırasında token başına yalnızca yaklaşık 3 milyar parametreyi aktive ediyor. Alibaba'nın Qwen3.8-Flash-Next modelini temel alıyor ve modelin depoladığı dünya bilgisinin büyük kısmını barındıran katman başına 512 uzman yapısını bu temelden devralıyor. VIDRAFT bu bilgi taşıyan blokları yeniden eğitmedi. Habere göre bunun yerine yalnızca attention katmanlarını, linear-attention katmanlarını ve paylaşılan uzman katmanlarını, yani çok adımlı muhakemeyle en yakından bağlantılı bileşenleri yeniden eğitti. Ağırlıklar, haberde ticari kullanıma izin verdiği belirtilen Qwen topluluk lisansıyla yayınlandı ve Hugging Face'teki VIDRAFT kuruluş sayfasında bulunabiliyor.

Kendi kendini geliştiren bir eğitim döngüsü

dev.to gönderisinde alıntılanan Kore medyası kapsamı, yeniden eğitimi bir döngü olarak tanımlıyor: model kendi sorularını yazıyor, aday cevaplar taslaklıyor, bunları dahili olarak kontrol ediyor ve bu geri bildirim sinyalini ağırlıklarını güncellemek için kullanıyor. Yaklaşım, muhakeme araştırmalarından tanıdık self-play veya self-distillation tekniklerine benziyor; ancak modelin ne bildiğinden ziyade bilginin nasıl yönlendirildiğini belirleyen katmanlara dar bir şekilde uygulanmış. Bildirilen kazanç, muhakeme boyutunda Qwen temel modeline göre 15.8 puanlık artış ve SuperCLUE'un bileşik sıralamasında altı basamaklık yükseliş.

Uyarılarla birlikte rakamlar

SuperCLUE, 2019'da başlatılan CLUE Çince dil değerlendirme projesinden doğdu. Her ay taze ve özel bir test seti yayınlar ve modelleri beş boyutta puanlar: agent'lı kodlama, matematik ve fen muhakemesi, halüsinasyon baskılama, talimat takibi ve uzun bağlam anlama. Kasım seti 5 Kasım 2026'da uygulanandı ve haber, skorların VIDRAFT tarafından kendi kendine bildirilmeden, önceden yayınlanmamış test maddelerinde SuperCLUE tarafından üretildiğini vurguluyor.

İki uyarı öne çıkıyor. Birincisi, Darwin dar alanlı bir uzman: SuperCLUE'un beş boyutlu bileşik endeksinde 43.08 puan aldı, genel olarak 19 model arasında dokuzuncu, açık ağırlıklı modeller arasında beşinci oldu. Haberde ayrıca, raporlama anında Hugging Face liderlik tablosunda birinci sıradaki 94.44'lük bir GPQA Diamond skorundan bahsediliyor. İkincisi, SuperCLUE Gemini ve Grok gibi Çinli olmayan modelleri referans amacıyla aynı tabloda listeliyor ancak resmi sıralamasına dahil etmiyor; dolayısıyla ikincilik başlığı bu çerçeve göz önünde bulundurularak okunmalı. Ayrıca haber şu an için dev.to üzerinden aktarılan tek bir rapora dayanıyor, bu yüzden tek kaynaklı iddialar için olağan dikkat geçerli.

Dizüstü boyutlu bir varyant

Tam hassasiyetli 180B modeli tüketici donanımı alanına girmiyor, ancak VIDRAFT ayrıca POCKET-Darwin-180B-GGUF adlı, GPU'suz ve 32 GB RAM'e sahip bir dizüstü bilgisayarda SSD'den çalıştırılmak üzere tasarlanmış 4-bit quantize edilmiş bir GGUF derlemesi yayınladı. dev.to gönderisi, yayın kapsamının belirli bir API uç noktası, depo URL'si veya kurulum komutu belgelemediğini belirtiyor; dolayısıyla modeli dağıtmayı planlayanlar erişim ayrıntılarını VIDRAFT'ın resmi kanallarından teyit etmeli.

Neden önemli

Sayılar tutarsa, bunu sıradan bir leaderboard olayından öte kılan iki şey var. Birincisi verimlilik: token başına yaklaşık 3 milyar parametre aktive eden, yani sıradan bir dizüstünde quantize edilmiş halde çalışacak kadar küçük bir model, önceden görmüş olması mümkün olmayan özel bir muhakeme testinde frontier bir kapalı modelin yaklaşık 2.6 puan gerisine yerleşti. Bu, açık ağırlıklı modellerin tescilli modellerle arasındaki farkı çok daha düşük bir servis maliyetiyle kapatması şeklindeki daha geniş örüntüyle uyumlu. İkincisi eğitim yöntemi: VIDRAFT, dev bir modeli uçtan uca yeniden eğitmek yerine, bilgiyi depolayan katmanları dondurmuş ve yalnızca muhakemeyle ilgili katmanları, modelin kendi ürettiği denetimle yeniden eğitmiş görünüyor. Bu katman-seçici yaklaşım genellenebilirse, büyük modelleri uzmanlaştırmanın görece ucuz bir tarifine işaret ediyor. Şimdilik ise, bağımsız olarak puanlanmış tek bir testten gelen tek bir benchmark boyutu, kanıttan çok ilginç bir veri noktası.