VIDRAFT'ın 180B Darwin'i SuperCLUE matematik ve fen testinde 2.8T Kimi'yi geride bıraktı

Kore'li geliştirici VIDRAFT'ın açık ağırlıklı modeli, SuperCLUE'nun Kasım 2026 matematik ve fen muhakeme değerlendirmesinde açık ağırlıklı modeller arasında ilk sırayı alarak, kendisinden on beş kat büyük bir rakibini geçti. VIDRAFT'ın kendi laboratuvar hesabından da biri olmak üzere dev.to'da yayımlanan iki yazıya göre Darwin-180B-RSI 73.68 puan aldı ve yalnızca 76.32 puanlı OpenAI GPT-6.1-Sol'unun ardından ikinci oldu.

Kasım tablosu

2.8 trilyon parametreli Moonshot AI Kimi-K3.1-Pro 63.16 puan aldı — yaklaşık on altıda biri büyüklüğünde, 180 milyar parametreli Darwin'in on puanından fazla gerisinde. SuperCLUE, bağımsız test için sıkça atıf yapılan dört değerlendiriciden biri; LMArena, Artificial Analysis ve Stanford HELM ise diğerleri. Geliştiricilerin bildirdiği puanları kabul etmiyor: değerlendirici her modeli doğrudan çağırıyor ve her ay değişen özel bir test seti üzerinde puanlıyor.

Kasım değerlendirmesi beş kolu kapsıyor — agent tabanlı kodlama, matematik ve fen muhakemesi, halüsinasyon kontrolü, kesin talimat takibi ve uzun bağlam. Darwin'in öncülüğü matematik ve fen muhakemesine özgü. Birleşik endekste açık ağırlıklı modeller arasında beşinci, 19 model arasında genel olarak dokuzuncu sırada yer alıyor.

Modelleri bütünüyle değil, güçlü yönleri birleştirerek

Yazılara göre Darwin hem bir modelin hem de bir yaratma yönteminin adı. VIDRAFT iki ya da daha fazla herkese açık modeli ebeveyn olarak seçiyor, her ebeveynin bilgisini sakladığı feed-forward bölgelerini analiz ediyor, her birine özgü güçlü yönleri çıkarıyor ve bunları tek bir çocuk modelde sentezliyor. Bu yaklaşım, birleştirme kombinasyonları üzerinde arama yapan ve ebeveynleri bütünüyle harmanlayan evrimsel model birleştirmeden (model merging) farklı; Darwin önce hangi bölgede hangi güçlü yönün bulunduğunu belirleyip seçici olarak aktarıyor. VIDRAFT, ortaya çıkan modelin matematik ve fen muhakemesinde karşılaştırılabilir herkese açık taban modelin 15 puan üzerinde puan aldığını söylüyor.

Model düzeyinde özyinelemeli kendini geliştirme

Sentezlenen çocuk model daha sonra model düzeyinde RSI sürecinden geçiyor. İnsan yazımı çözüm ya da muhakeme izi kullanılmıyor: model kendi çözümlerini yazıyor, otomatik bir doğrulayıcı her yanıtı kontrol ediyor ve eğitim yalnızca geçen çözümler üzerinden yürütülüyor. VIDRAFT, ağırlıkların insan devrede olmadan turdan tura iyileştiğini belirtiyor.

On altıda biri büyüklük ne sağlıyor

Boyut farkı bir ekonomi hikayesi. Daha küçük bir model aynı iş yükünü daha az makinede sunuyor ve bu da token başına maliyeti düşürüyor. VIDRAFT, sunucu GPU çıkarımında saniyede 18,057 token, aynı donanımda standart bir 4-bit yapıya göre eşzamanlı işlem hacminde 2.6 kat ve Kore yapımı Rebellions ATOM-Max gibi NPU'larda saniyede 417 token bildiriyor. Bir POCKET sürümü tek bir dizüstü bilgisayarda çalışıyor ve çıkarımı cihaz üzerinde tutuyor — Korece yazıya göre bu, güvenliğe duyarlı kuruluşlar ve kamu kurumları için uygun bir seçim ve yabancı GPU ile bulut sağlayıcılarına bağımlılığı azaltan egemen AI için bir temel.

İndirmeler ve öne sürülen rekorlar

Yazılara göre VIDRAFT'ın açık modellerinin Hugging Face'te yaklaşık 5 milyon kümülatif indirimi var ve aylık 1.2 milyonu aşıyor. POCKET ailesi 13 Kasım 2026'ya biten 30 günde 1,194,702 indirim kaydetti; bunun 525,554'ünü POCKET-Darwin-180B-GGUF oluşturdu. Korece yazı, kümülatif toplamın Sakana AI'nın rakamının 6.6 katı olduğunu ve Alibaba'nın ModelScope'unun VIDRAFT'ı resmi sertifikalı tek Kore'li AI kuruluşu olarak kaydettiğini ekliyor. Hugging Face benchmark tablolarında Darwin ailesi GPQA'da 94.44 dahil 12 tabloda ilk sırada ve AIME 2026 ile HMMT'de tam puan aldı.

Kaynağa dair bir not: iki yazıdan biri VIDRAFT'ın kendisi tarafından kaleme alındı. SuperCLUE puanı üçüncü taraftan, ancak sunum hızı, indirme ve tablo rakamları satıcı tarafından bildirildi ve burada bağımsız olarak doğrulanmadı.

Neden önemli

180B'lik bir açık ağırlıklı model üçüncü taraf değerlendirmede 2.8 trilyon parametreli bir modeli on puanla geçebiliyorsa, parametre başına yetenek ham ölçekten daha hızlı iyileşiyor demektir — bu da kuruluşların kendi sahip oldukları donanımda çalıştırabilecekleri sınırı kaydırıyor. Sonucun ardındaki iki teknik, seçici güç birleştirme ve doğrulayıcı filtreli kendini eğitme, ilke olarak diğer açık geliştiriciler tarafından da yeniden üretilebilir ve ikisi de kıt olan insan etiketli muhakeme verisine bağımlılığı azaltıyor. Sunum rakamları satıcının kendi testleri dışında da tutarsa, doğrudan token başına daha düşük maliyete ve uygulanabilir cihaz içi dağıtıma dönüşüyorlar.