VIDRAFT-ன் 398-பில்லியன் அளவுருக்களைக் கொண்ட Darwin-398B-JGOS மாடல், வெறும் 24 GPUs-களைப் பயன்படுத்தி GPQA Diamond தரவரிசைப் பட்டியலில் மூன்றாவது இடத்தைப் பிடித்துள்ளது. மனப்பாடம் செய்யப்பட்ட பதில்களைத் தாண்டி, உண்மையான அறிவியல் ரீதியான சிந்தனையைத் தேவைப்படும் ஒரு சோதனையில், உலகின் மிகப்பெரிய AI ஆய்வகங்களுக்கு இணையாக ஒரு சிறிய கொரிய ஸ்டார்ட்அப் நிறுவனத்தால் செயல்பட முடியும் என்பதை இந்த முடிவு நிரூபிக்கிறது.
GPQA Diamond ஏன் முக்கியமானது
GPQA Diamond பொது இணையதளங்களில் காணப்படாத பட்டமளிப்பு நிலை (graduate-level) அறிவியல் கேள்விகளைக் கேட்கிறது. இதற்கான பதில்களை இணையத்திலிருந்து திரட்ட (scrape) முடியாது என்பதால், ஒரு மாடல் சேமிக்கப்பட்ட தகவலைத் தேடி எடுப்பதற்குப் பதிலாக, அந்தப் பிரச்சனையைத் தர்க்கரீதியாக அணுகி விடை காண வேண்டும். இந்த அளவுகோல் மனப்பாடம் செய்வதை விட தர்க்க அறிவை (logic) வலியுறுத்துகிறது.
தற்போதைய தரவரிசைப் பட்டியல்
- Kimi-K3 (CN): 93.5
- GLM-5.2 (CN): 91.2
- Darwin-398B-JGOS (KR): 90.9
- DeepSeek-V4-Pro (CN): 90.1
- Inkling-Small (US): 89.5
- Qwen3.5-397B-A17B (CN): 88.4
- Nemotron-3-Ultra-550B (US): 87.9
இத்தகைய திட்டங்களுக்கு வழக்கமாகப் பயன்படுத்தப்படும் வன்பொருளின் (hardware) ஒரு சிறு பகுதியை மட்டுமே பயன்படுத்தி இயங்கினாலும், Darwin மாடல் Nvidia, DeepSeek மற்றும் பல அமெரிக்க மற்றும் சீன நிறுவனங்களின் மாடல்களை விடச் சிறப்பாகச் செயல்படுகிறது.
இந்த வெற்றியின் பின்னணியில் உள்ள முறை
VIDRAFT நிறுவனம் ஒரு பிரம்மாண்டமான GPU பண்ணையை (farm) வாங்கவில்லை. அதற்குப் பதிலாக, குழுவினர் “evolutionary merging” என்ற முறையைப் பயன்படுத்தினர்; அதாவது பல திறந்த மூல (open-source) மாடல்களைத் தொடர்ச்சியாக ஒன்றிணைத்து, சிறந்த செயல்திறன் கொண்ட கூறுகளை மட்டும் தக்கவைத்துக் கொண்டனர். ஒரு சாதாரண 24-GPU கிளஸ்டரில் (cluster) இதை இயக்குவதன் மூலம், புதிதாகப் பயிற்சியளிக்கத் தேவைப்படும் பெரும் மூலதனச் செலவின்றி, உயர்தரமான 398-பில்லியன் அளவுருக்களைக் கொண்ட ஒரு நெட்வொர்க்கைப் பெற முடிந்தது.
இது AI துறைக்கு எதைக் குறிக்கிறது
- நுழைவுத் தடை குறைந்துள்ளது: உயர்தர AI-களை உருவாக்குவதற்கு இனி ஆயிரக்கணக்கான GPUs தேவையில்லை.
எச்சரிக்கைகள் மற்றும் மறுப்புரைகள்
Darwin இன்னும் முதல் இரண்டு இடங்களைப் பிடித்த மாடல்களை மிகக் குறைந்த இடைவெளியில்தான் பின் தொடர்கிறது; மேலும் அதன் 398-பில்லியன் அளவுரு அளவு இன்னும் மிகப்பெரியது—இந்த மாடலுக்குப் பயிற்சி அளிக்கவோ அல்லது அதைப் பயன்படுத்தவோ (serving) இன்னும் கணிசமான உள்கட்டமைப்பு தேவைப்படுகிறது. இந்த அணுகுமுறை ஒரு சிறிய கிளஸ்டரில் திறந்த மூல மாடல்களை "evolutionary merging" முறையில் இணைப்பதையே அடிப்படையாகக் கொண்டது. GPQA Diamond இதற்கான அளவுகோலாகச் செயல்பட்டது.
அடுத்து கவனிக்க வேண்டியவை
இதிலிருந்து நாம் அறிந்துகொள்ள வேண்டியது தெளிவானது: புத்திசாலித்தனமான மாடல்-இணைப்பு (model-fusion) உத்திகள், வெறும் கணக்கீட்டுத் திறனை (raw compute) ஈடுசெய்ய முடியும்; இது AI ஆராய்ச்சியின் மிக உயர்ந்த நிலைகளில் யார் போட்டியிட முடியும் என்பதை மறுவரையறை செய்கிறது.