VIDRAFT 开放180B推理模型权重

180B 参数、每次推理只激活约 3B，再用模型自己答对的题继续训练，能把数学和科学推理能力推到什么位置？VIDRAFT 公布的 Darwin-180B-RSI-R3 给出的成绩是：SuperCLUE 2026 年 11 月数理评测 73.68 分，开放权重模型第一、总榜第二。

不过，专项高分和日常好用是两回事。它的五领域综合分只有 43.08，约 111 GB 的量化权重也有部署门槛。这条消息值得看的，是自我改进的方法，以及这个模型适合接哪些任务。

三轮自我改进，训练信号从哪里来

Darwin-180B-RSI-R3 来自韩国 AI 创业公司 VIDRAFT，采用混合专家架构（Mixture-of-Experts，MoE），总参数约 180B，每次前向计算激活约 3B。原文模型信息列出的起点是 Alibaba 的 Qwen3.8-Flash-Next。

它的主要变化在训练环节。递归自我改进（Recursive Self-Improvement，RSI）的流程是：给模型提供或让它选择有标准答案的题目，让模型自行求解，用可编程方式核验答案，再把答对的解答收集起来，微调下一轮模型。更新后的模型继续解题，形成 R1 → R2 → R3 的循环。

大白话解释，就是先筛出模型已经能做对的题，再把这些成功解答变成下一轮教材。「R3」代表第三轮迭代。

原文强调，这个 RSI 微调循环不使用人工编写的解答，也不使用人工提供的推理轨迹。但这项声明只针对该循环，不能据此推断底座模型的全部训练也没有人工数据。

RSI 能成立的关键，是答案可以被可靠核验。

数学和部分科学题适合这条路线，因为结果能检查。开放式写作、界面审美判断就没有同样清晰的筛选标准。此外，原文没有交代题目数量、验证器细节、各轮训练成本，也没有解释如何处理答案正确但推导存在问题的样本，方法的可复现程度仍要打问号。

数理第二，为什么综合榜只排第九

按原文引用的 VIDRAFT 模型卡和 SuperCLUE 2026 年 11 月评测，Darwin-180B-RSI-R3 在数学与科学推理上得到 73.68 分，在 19 个模型中排名第二，开放权重模型中排名第一，也是该榜单唯一的韩国模型。

原文还给出了母模型 Qwen3.8-Flash 的 57.89 分。到 R3 后增加了 15.79 分，提升幅度可观。不过，这里有个命名疑点：前面的底座写作 Qwen3.8-Flash-Next，成绩对照却写作 Qwen3.8-Flash。两者是否指同一检查点，原文没说清。

五领域综合指数则是另一幅画面：43.08 分，总榜第九，开放权重模型第五。原文明确指出，长上下文和指令遵循是相对弱项。

这组差异与专项训练的方向一致：反复训练可验证的数理任务，不会自动补齐长文档理解和复杂指令执行。对程序员而言，一个模型会解难题，不代表它能稳定遵守仓库约定、理解大量文件，再按要求修改代码。

还要分清证据强弱。以上成绩来自 VIDRAFT 公布的信息，测试集不公开，原文没有提供独立复测或训练消融。因此，分数可以作为候选模型的筛选依据，但「提升完全归功于 RSI」仍缺少充分对照，不能把前后分差直接当成因果证明。

激活 3B 参数，部署为何仍然很重

MoE 每次只调用部分专家，因此每步计算不必遍历全部 180B 参数。这有利于降低计算开销，但全部专家权重仍需要存储，并在运行时被访问。

原文给出的 4-bit GGUF 量化版本约为 111 GB。仅权重文件就达到这个体积，多数消费级 GPU 难以容纳；高内存 CPU 工作站可以尝试，多 GPU 也是原文提到的部署方向。

激活参数少，不能直接理解成内存占用也少。

原文认为它比同等量化的稠密 180B 模型有吞吐优势，但没有给出具体硬件、生成速度或内存峰值。CPU 推理被定位为可做实验，不能据此承诺生产吞吐。

原文提供了下载完整权重的命令：

pip install huggingface_hub
huggingface-cli download VIDRAFT/Darwin-180B-RSI-R3

需要留意第二行的仓库路径。原文明确要求先核对官方模型卡中的仓库名称和文件名，不能把示例路径当作权威地址。

下载 4-bit GGUF 版本使用另一条命令：

huggingface-cli download VIDRAFT/Darwin-180B-RSI-R3-GGUF

这里同样要核对仓库名；下载命令并没有解决推理运行时、硬件配置和服务接入问题，原文也没有给出这些步骤。

许可描述还存在不一致：导读称其许可宽松，正文却没有列出具体许可证，只要求生产使用前检查模型卡。因此，目前能从材料中确认的是「权重公开」，商业使用条件仍不明确。

我的判断

这条消息最有价值的地方，是把专项训练的收益和能力边界同时摆了出来。对于可验证的数理任务，用正确的自生成解答反复训练，是值得研究的路径；它也减少了对人工解题标注的依赖。

但它还不足以支持团队直接替换通用模型。原文没有代码修复、前端工程或工具调用的评测，不能从数理排名推导出 AI 编程能力。与继续使用通用模型相比，引入它需要有足够集中的数理需求，才能抵消额外部署和维护成本。

与其他训练路线相比，RSI 是否更省数据、更省钱，材料同样没有给出对照。当前更合适的态度是把它列入专项候选，再用自己的任务验证，而不是把「递归自我改进」理解为模型可以无限自行变强。

能拿来做什么

• 如果正在做数学解题或科学问答应用，可以整理一组答案可核验的真实题目，对比 Darwin-180B-RSI-R3 与当前模型的正确率、响应时间和输出格式稳定性，再决定是否接入。
• 如果准备本地试跑，先核对 GGUF 文件、许可证和机器可用内存，把约 111 GB 的权重体积作为资源规划起点，不要按激活 3B 参数估算整机需求。
• 如果日常主要靠 AI 阅读长文档、理解代码仓库或执行复杂指令，先保留现有通用模型。原文已指出相关弱项，也没有提供足以支持替换的编程评测。
• 如果在设计模型训练流程，可以借鉴「生成、验证、保留、再训练」的循环，但应先确认任务有可信的正确性检查，再投入迭代训练。