VIDRAFT'ın Darwin Factory'si açık LLM'leri yeniden eğitim gerektirmeden göreve özgü modellere dönüştürüyor

Darwin Factory ne yapıyor

Kore derin teknoloji girişimi VIDRAFT, halka açık iki açık ağırlıklı (open-weight) modeli tek bir göreve özgü LLM'de birleştiren ticari bir hizmet olan Darwin Factory'yi başlattı. IT조선 haberlerine dayanan bir dev.to yazısına göre süreç; yeniden eğitim, etiketli veri kümesi veya müşteri tarafında makine öğrenmesi personeli gerektirmiyor ve bitmiş modelin bir iş günü içinde teslim edilmesi hedefleniyor.

2024'te kurulan ve Seoul AI Hub'ta faaliyet gösteren VIDRAFT, ürünü özellikle savunma, kamu yönetimi, finans ve sağlık dahil olmak üzere verilerini harici bulut API'lerine gönderemeyen kuruluşlara yönelik konumlandırıyor. Teslim edilen çıktı, kapalı veya ağdan izole (air-gapped) ortamlarda on-premise kurulum için tasarlanmış, kendi içinde tamamlanmış bir model paketi.

Birleştirme hattı nasıl çalışıyor

Hizmet üç aşamalı bir hat olarak tanımlanıyor. Teşhis aşamasında, her aday model katman katman analiz edilerek tek tek katmanların genel çıktıya ne kadar katkı sağladığı ölçülüyor; böylece hangi ebeveyn modelin hangi yetenek alanlarında daha güçlü sinyal taşıdığı ortaya çıkıyor. Şirketin "yetiştirme" olarak çerçevelediği birleştirme aşamasında ise her iki modelin en güçlü katmanları veya parametre bölgeleri seçmeli olarak tek bir birleşik modelde toplanıyor. Yaklaşım, bazen model evrimi veya ağırlık interpolasyonu olarak da adlandırılan mevcut model birleştirme (model merging) araştırmalarına dayanıyor; ancak VIDRAFT bu açık temellerin üzerine kendi birleştirme mantığını uyguluyor.

Son doğrulama aşamasında, birleştirilmiş model dahili bir benchmark setiyle sınanıyor. Sonuç hedef görevlerde her iki ebeveyn modeli de geçmezse kombinasyon eleniyor ve yeni bir eşleşme deneniyor; yalnızca bu testi geçen modeller teslim ediliyor.

dev.to makalesi bunu SLERP, TIES veya DARE gibi standart birleştirme tekniklerinden ayırıyor: tekdüze ağırlık interpolasyonu yerine, hat birleştirileceklere karar vermeden önce katman önemi teşhisi yapıyor. Kullanılan algoritmanın ayrıntıları açıklanmıyor. Şirketin, sinir ağlarında nedensel sızıntı teşhisini kapsayanlar dahil dokuz patenti bulunuyor; bu patentlerin teşhis adımının temelini oluşturduğu anlaşılıyor.

Bildirilen sonuçlarda bir uyarı var

Makale birkaç kilometre taşı sayıyor: Bilim ve Bilgi İletişim Teknolojileri Bakanlığı ile Ulusal Bilgi Toplumu Ajansı tarafından işletilen bir benchmark olan Kore K-AI Leaderboard'da birincilik; verimli Gemma tabanlı dağıtıma odaklanan Google'ın Fast Gemma Challenge yarışmasında birincilik ve VIDRAFT'ı bu eşiği geçen dördüncü Kore kuruluşu ve ilk Kore girişimi yapacak olan Hugging Face'te bir milyondan fazla toplam indirme.

Özellikle, hiçbir sayısal skor, veri kümesi adı veya görev bazlı doğruluk rakamı açıklanmadı; dolayısıyla bu sonuçlar şirket tarafından bildirilen ve niteliksel olup bağımsız olarak doğrulanabilir nitelikte değil. Aynı yazıya göre girişim, 650 milyon won toplayarak tohum (seed) aşamasında bulunuyor.

Erişilebilirlik ve yol haritası

VIDRAFT'ın mevcut Darwin ve AETHER model aileleri Hugging Face profilinden indirilebilir. Darwin Factory'nin kendisi self-servis genel bir API olarak sunulmuyor; erişim kurumsal iş birlikleri üzerinden sağlanıyor ve şirketle doğrudan iletişime geçilerek kavram kanıtı (proof-of-concept) ve pilot dağıtımlar gerçekleştirilebiliyor. Ortak bir kod deposi veya OpenAI uyumlu bir uç nokta duyurulmuş değil.

Yol haritasında, otomatik model üretim hatları ve standartlaştırılmış kapalı ağ teslimat paketiyle Darwin Factory'nin ikinci sürümü planlanıyor. Şirket 2027'den itibaren ağdan izole devlet ve savunma sözleşmelerine odaklanmayı amaçlıyor.

Neden önemli

Model birleştirme şimdiye dek büyük ölçüde araştırma makalelerinde ve topluluk deneylerinde yaşadı; Darwin Factory bunu tekrarlanabilir bir ticari hizmete dönüştürme girişimi. Katman seçmeli birleştirme gerçekten hedef görevlerde her iki ebeveynden daha iyi modeller üretiyorsa — mevcut iddialar bunu henüz yayımlanmış rakamlarla göstermiş değil — bu, ince ayara kıyasla çok daha ucuz bir alan-özel LLM yolu sunardı: veri hazırlığı, GPU kümesi veya şirket içi ML ekibi gerektirmeden.

Bu, bulut API'lerine erişemeyen regüle sektörler için özellikle ilgili; şimdiye dek bu sektörlerin gerçekçi seçenekleri genel amaçlı açık ağırlıklı modelleri çalıştırmak veya tamamen özel eğitim finanse etmekti. Açık sorularsa doğrulama ve denetim: üçüncü taraf benchmarklar veya açıklanmış bir algoritma olmadan alıcılardan dahili bir değerlendirme setine güvenmeleri isteniyor ve yalnızca kurumsal erişim modeli, halkın iddiaları bağımsız olarak test etmesini zorlaştırıyor.