VIDRAFT کے 398 بلین پیرامیٹر والے ماڈل، Darwin-398B-JGOS نے محض 24 GPUs کا استعمال کرتے ہوئے GPQA Diamond لیڈر بورڈ پر تیسری پوزیشن حاصل کی۔ یہ نتیجہ ثابت کرتا ہے کہ ایک چھوٹا سا کوریائی اسٹارٹ اپ اس ٹیسٹ میں دنیا کی بڑی AI لیبز کا مقابلہ کر سکتا ہے جو رٹے رٹائے جوابات کے بجائے حقیقی سائنسی استدلال کا تقاضا کرتا ہے۔

GPQA Diamond کیوں اہم ہے

GPQA Diamond گریجویٹ لیول کے سائنس کے سوالات پوچھتا ہے جو عوامی ویب سائٹس پر دستیاب نہیں ہوتے۔ چونکہ ان کے جوابات کو اسکریپ (scrape) نہیں کیا جا سکتا، اس لیے ماڈل کو کسی محفوظ شدہ حقیقت کو تلاش کرنے کے بجائے مسئلے کا منطقی حل نکالنا پڑتا ہے۔ یہ بینچ مارک یادداشت کے بجائے منطق (logic) کا امتحان لیتا ہے۔

موجودہ لیڈر بورڈ

  • 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

Darwin، Nvidia، DeepSeek اور امریکہ و چین کی کئی دیگر پیشکشوں کے ماڈلز سے آگے نکل گیا ہے، باوجود اس کے کہ یہ ایسے منصوبوں کے لیے عام طور پر استعمال ہونے والے ہارڈ ویئر کے ایک بہت چھوٹے حصے پر چلتا ہے۔

کامیابی کے پیچھے موجود طریقہ کار

VIDRAFT نے کوئی بہت بڑا GPU فارم نہیں خریدا۔ اس کے بجائے، ٹیم نے "evolutionary merging" کا استعمال کیا، جس میں متعدد اوپن سورس ماڈلز کو بار بار یکجا کیا گیا اور بہترین کارکردگی دکھانے والے اجزاء کو برقرار رکھا گیا۔ ایک معمولی 24-GPU کلسٹر پر اسے چلانے سے ایک اعلیٰ معیار کا 398 بلین پیرامیٹر والا نیٹ ورک حاصل ہوا، جس کے لیے شروع سے تربیت (training) دینے کے لیے عام طور پر درکار بھاری سرمایہ کاری کی ضرورت نہیں پڑی۔

AI کے شعبے کے لیے اس کے کیا معنی ہیں

  • داخلے کی رکاوٹ میں کمی: اعلیٰ درجے کی AI بنانے کے لیے اب ہزاروں GPUs کی ضرورت نہیں رہی۔

احتیاطی تدابیر اور متضاد نکات

Darwin اب بھی دو لیڈروں سے معمولی فرق سے پیچھے ہے، اور اس کا 398 بلین پیرامیٹر کا سائز اب بھی بہت بڑا ہے—ماڈل کی تربیت یا اسے چلانے کے لیے اب بھی اہم انفراسٹرکچر کی ضرورت ہوتی ہے۔ یہ طریقہ کار ایک چھوٹے کلسٹر پر اوپن ماڈلز کی "evolutionary merging" پر منحصر ہے۔ GPQA Diamond نے بطور بینچ مارک کام کیا۔

آگے کیا دیکھنے کو ملے گا

حاصل شدہ نتیجہ واضح ہے: ماڈل فیوژن (model-fusion) کی ذہین حکمت عملیوں سے خام کمپیوٹنگ پاور (raw compute) کی کمی کو پورا کیا جا سکتا ہے، جس سے یہ منظرنامہ بدل جائے گا کہ کون AI تحقیق کے اعلیٰ ترین سطحوں پر مقابلہ کر سکتا ہے۔