Açık ağırlıklı Darwin-180B, SuperCLUE matematik ve bilim sıralamasında Gemini ve DeepSeek'i geride bıraktı

180 milyar parametreli açık ağırlıklı bir model, SuperCLUE'un Kasım 2026 matematik ve bilim liderlik tablosunda açık ağırlıklı sistemler arasında ilk sırayı aldı. Kore merkezli girişim VIDRAFT tarafından geliştirilen Darwin-180B-RSI-R3, bu kategoride 73.68 puan aldı — 19 model arasında genel ikinci oldu ve 71.05 ile eşit puan alan Gemini-4-Argon ile DeepSeek-V4.1-Flash'ın önünde yer aldı. Bu veriler, 10 Kasım'da yayınlanan ve USB.RU'nun önceki bir raporunu özetleyen bir dev.to yazısından geliyor.

Nerede yer aldı

Matematik ve bilim ekseninde Darwin'in önünde yer alan tek model, 76.32 puanlı GPT-6.1-Sol oldu. Kimi-K3.1-Pro aynı kategoride 63.16 puan aldı; Darwin'in fine-tune edildiği temel model olan Qwen3.8-Flash-Next ise 57.89'da kaldı — bu yaklaşık 16 puanlık fark, fine-tune sürecine atfedilebilir. Ayrıca yazıya göre Darwin, tablodaki tek Koreli modeldi.

Genel liderlik tablosu daha mütevazı bir tablo çiziyor. Darwin'in 43.08 olan genel SuperCLUE puanı, 19 model arasında dokuzuncu sırada yer aldı; temel modelin 39.81 puanının önünde olsa da liderlerden oldukça uzaktaydı. Liderlik tablosu verilerinde iki zayıflık öne çıkıyor: 20.69 puanla hassas talimat takibi ve 30.32 puanla uzun bağlam görevleri — her ikisi de öncü modellerin oldukça gerisinde. Mevcut bulgulara göre Darwin, genel amaçlı bir asistan olmaktan çok matematik ve bilim alanında uzmanlaşmış bir model.

Eğitim döngüsü nasıl çalışıyor

VIDRAFT, Qwen3.8-Flash-Next temelini Recursive Self-Improvement (RSI) adını verdiği bir yöntemle geliştirdi. Döngü dört adımdan oluşuyor: model bir problem setine çözümler üretiyor, yanıtlar doğru cevap anahtarlarıyla karşılaştırılıyor, yalnızca doğru cevaba götüren akıl yürüme izleri korunuyor ve model bu filtrelenmiş sinyalle fine-tune ediliyor. Döngü, güncellenmiş ağırlıklarla tekrarlanıyor. Sabit bir veri seti üzerinde denetimli fine-tuning'den farklı olarak, eğitim sinyali model geliştikçe güçleniyor ve önceden hazırlanmış bir chain-of-thought derlemine gerek duyulmuyor.

Güncellemeler bilinçli olarak dar tutuldu. Yalnızca attention yolları ve paylaşılan uzmanlar (shared experts) değiştirildi; temel modelin 512 uzmanı, router'ı ve görsel kodlayıcısı dokunulmadan bırakıldı. VIDRAFT'a göre bu, felaket tipi unutmayı (catastrophic forgetting) sınırlıyor ve temel modelin genel yeteneklerini korurken kazanımları sıralı akıl yürümeye odaklıyor. Ölçülebilir bir yan etki: MMLU-Pro'daki ortalama akıl yürütme zinciri uzunluğu 4.320 token'dan 3.833 token'a düştü — yaklaşık %11'lik bir azalma — yani model, eğitim sonrasında doğru cevaplara daha kısa düşünme zincirleriyle ulaşıyor.

Bazı puanları geçici sayın

Model kartı, GPQA Diamond'ı 94.44, MMLU-Pro'yu 88.12 olarak bildiriyor; AIME 2026 ve HMMT Şubat 2026'da ise tam puan aldığını belirtiyor. Dev.to yazısı, USB.RU'nun GPQA ve benzeri rakamların bağımsız üçüncü taraf doğrulamasının henüz yapılmadığını belirttiğini aktarıyor; dolayısıyla bu sayılar harici olarak teyit edilene kadar kendinin bildirdiği değerler olarak okunmalı.

İndirme ve çalıştırma

Ağırlıklar, Hugging Face'te FINAL-Bench/Darwin-180B-RSI deposunda Qwen Community 1.0 lisansıyla herkese açık. 4-bit quantize edilmiş GGUF varyantı olan POCKET-Darwin-180B-GGUF, 111 GB yer kaplıyor. Belirtilen minimum sistem gereksinimi 8 GB GPU VRAM ve 32 GB sistem RAM'i; yalnızca CPU üzerinde çıkarım hızının saniyede 18–21 token olduğu bildiriliyor — bu da 180B sınıfı bir modeli, veri merkezi donanımı olmadan yerel denemelerin erişimine sokuyor.

Neden önemli

Darwin'ın sonucu, açık ağırlıklı modellerin uzmanlaşmış eksenlerde ne kadar yaklaştığına dair bir veri noktası: matematik ve bilim kıyaslamasında Gemini ve DeepSeek'i geride bırakan, serbestçe indirilebilen bir fine-tune, kısa süre öncesine kadar inanılmaz olurdu. RSI yöntemi ayrıca, hazırlanmış bir chain-of-thought veri seti olmadan akıl yürümeyi keskinleştirmenin bir yolu olarak dikkat çekici; erişilebilir quantize sürüm ise bunu inceleyebilecek araştırmacı havuzunu genişletiyor. Manşeti dengeli kılan iki uyarı var: genel sıralamadaki dokuzunculuk, modelin genişliği derinlik lehine takas ettiğini gösteriyor ve en güçlü rakamlarından birkaçı bağımsız doğrulama beklerken hâlā kendinin bildirdiği değerler.