Darwin de VidraftLab: resultado SuperCLUE noviembre 2026

En pocas palabras: Darwin-180B-RSI-R3, modelo open weight de VidraftLab, obtuvo 73.68 puntos en razonamiento matemático-científico en SuperCLUE de noviembre 2026, segundo entre 19 modelos detrás de GPT-6.1-Sol de OpenAI (76.32) y primero entre los open weight evaluados ese mes.

Ponele que estás armando el roadmap de IA de tu empresa para 2027 y alguien te manda el link de una nota coreana que dice que un modelo “venció a Google y a DeepSeek”. Antes de subirlo a la planificación, conviene mirar los números reales. Darwin-180B-RSI-R3, el modelo open weight de la firma VidraftLab, sacó 73.68 puntos en razonamiento matemático-científico en la evaluación SuperCLUE de noviembre 2026. Quedó segundo de 19 modelos, detrás de GPT-6.1-Sol de OpenAI (76.32), y primero entre los modelos open weight evaluados ese mes.

SuperCLUE es un benchmark chino de evaluación de modelos de lenguaje que arrancó en 2019 como CLUE, un test de comprensión del idioma chino, y después se extendió a una versión para grandes modelos de lenguaje. Cada mes publica un examen nuevo y no público, mide cinco ejes (codificación de agentes, razonamiento matemático-científico, supresión de alucinaciones, seguimiento preciso de instrucciones y contexto largo) y ordena modelos chinos e internacionales, aunque estos últimos figuran solo como referencia.

¿Qué resultado obtuvo Darwin en SuperCLUE de noviembre 2026?

Darwin-180B-RSI-R3 sacó 73.68 puntos en el eje de razonamiento matemático-científico de SuperCLUE, el segundo mejor resultado entre 19 modelos evaluados ese mes y el primero entre los que publican sus pesos de forma abierta. El modelo que lo superó fue GPT-6.1-Sol de OpenAI, con 76.32.

Atrás de Darwin quedaron nombres que cualquiera reconocería: Gemini-4-Argon de Google y DeepSeek-V4.1-Flash, empatados en 71.05, Grok-4.7 de xAI y Qwen3.8-Max-0902 de Alibaba, empatados en 68.42. Más abajo, GLM-5.3 de Zhipu AI (65.79) y Kimi-K3.1-Pro de Moonshot (63.16). El propio modelo padre de Darwin, Qwen3.8-Flash, cerró la tabla visible con 57.89.

Modelo	Desarrollador	Open weight	Puntaje razonamiento
GPT-6.1-Sol	OpenAI	No	76.32
Darwin-180B-RSI-R3	VidraftLab	Sí	73.68
Gemini-4-Argon	Google	No	71.05
DeepSeek-V4.1-Flash	DeepSeek	Sí	71.05
Grok-4.7	xAI	No	68.42
Qwen3.8-Max-0902	Alibaba	No	68.42
GLM-5.3	Zhipu AI	Sí	65.79
Kimi-K3.1-Pro	Moonshot	Sí	63.16
Qwen3.8-Flash	Alibaba	Sí	57.89

Ese mismo mes, según el board de SuperCLUE (noviembre de 2026), el índice compuesto de los cinco ejes le dio a Darwin 43.08 puntos: puesto 9 de 19 general y puesto 5 entre los modelos open weight. Nada de número 1 absoluto. El resultado de Darwin en SuperCLUE es puntual, no global.

¿Qué es SuperCLUE y cómo funciona esta evaluación?

SuperCLUE es la versión para grandes modelos de lenguaje del benchmark chino CLUE, creado en 2019 como test de comprensión del idioma chino. Hasta esta edición de noviembre de 2026, SuperCLUE evalúa modelos chinos e internacionales con un examen que cambia cada mes y no se publica de antemano, justamente para evitar que los equipos “entrenen para el test”. En la guía completa sobre Sora de OpenAI profundizamos sobre esto.

Mide cinco ejes: codificación de agentes, razonamiento matemático-científico, supresión de alucinaciones, seguimiento preciso de instrucciones y contexto largo. ¿Y los modelos que no son chinos, cómo entran en el tablero? Entran como referencia, sin ranking oficial dentro del sistema, aunque sus puntajes sí se muestran junto a los demás.

¿Cómo cubrieron la noticia los medios surcoreanos?

Cuatro medios surcoreanos publicaron la misma noticia el 6 de noviembre de 2026, cada uno con un ángulo distinto sobre el mismo set de datos del board de SuperCLUE.

• Chosun Biz tituló sobre a quién superó Darwin: Google, xAI y DeepSeek quedaron por debajo en ese eje puntual.
• Economist puso el foco en el ranking global (puesto 2) y en la mejora respecto al modelo base.
• DigitalDaily se metió de lleno en el método de auto-mejora, la parte más técnica de la historia.
• AI Times fue el más completo: explicó el método, nombró al modelo padre y agregó el ranking general compuesto.

Chosun Biz y Economist también sumaron un dato extra: según el leaderboard de GPQA Diamond en Hugging Face consultado el 6/11/2026, Darwin figura en el puesto 1 general con 94.44 puntos. Ojo con esto: son dos benchmarks distintos, con metodologías distintas, y conviene no mezclarlos como si fueran la misma medición.

¿Cómo se compara Darwin con su modelo padre Qwen3.8-Flash-Next?

Darwin-180B-RSI-R3 nace de Qwen3.8-Flash-Next, de Alibaba, y mejora 15.8 puntos en razonamiento matemático-científico respecto a su padre, pasando de 57.89 a 73.68. En el índice compuesto subió seis escalones, de puesto 15 a puesto 9 sobre 19. Lo explicamos a fondo en cómo DeepSeek ataca a los agentes de OpenAI.

Métrica	Qwen3.8-Flash (padre)	Darwin-180B-RSI-R3 (hijo)
Razonamiento matemático-científico	57.89	73.68
Índice compuesto	39.81 (puesto 15)	43.08 (puesto 9)

El tema es que VidraftLab no reentrenó el modelo entero. Qwen3.8-Flash-Next tiene 512 expertos por capa (la parte de la red que guarda la mayoría del conocimiento), y Darwin los heredó intactos. Lo que sí se reentrenó, con un proceso de auto-mejora recursiva (RSI) donde el propio modelo genera, resuelve y verifica sus problemas para ajustar sus pesos, fueron las capas de atención, las capas de atención lineal y los expertos compartidos. Mismo conocimiento de base, capas de razonamiento distintas, resultado distinto en el eje más difícil de la tabla.

¿Qué limitaciones tiene este resultado y qué significa realmente el puesto 2?

El puesto 2 de Darwin aplica a un solo eje, razonamiento matemático-científico, no al ranking general de SuperCLUE. En el índice compuesto de cinco ejes, que suma codificación de agentes, supresión de alucinaciones, seguimiento de instrucciones y contexto largo, Darwin quedó noveno de 19 y quinto entre los modelos open weight.

¿Entonces es el “mejor modelo abierto del mundo”? No, esa frase le queda grande. Es el mejor modelo abierto en un eje específico de un benchmark específico, medido en un mes específico. Y ese puntaje lo calculó SuperCLUE con su propio examen no público, no VidraftLab (que, dicho sea de paso, tampoco publicó una medición independiente propia para este resultado puntual).

Un criterio práctico antes de subir cualquier benchmark a una decisión de producto: fijate si la fuente primaria (el board, no la nota periodística) muestra la fecha de actualización, si el método de examen está descripto aunque sea en líneas generales, y si el mismo modelo aparece con puntajes consistentes en otros leaderboards independientes antes de tomarlo como referencia para elegir infraestructura o modelo en un proyecto real.

¿Qué está confirmado y qué no sobre este resultado?

Confirmado: el board de SuperCLUE de noviembre de 2026 le asigna a Darwin-180B-RSI-R3 73.68 puntos en razonamiento matemático-científico, puesto 2 de 19 y primero entre open weight, y cuatro medios surcoreanos distintos reportaron el mismo dato el 6 de noviembre.

No confirmado, o fuera del alcance de esta cobertura: no hay una auditoría independiente del método RSI que usó VidraftLab para reentrenar las capas de atención, ni una comparación de ese mismo modelo en otros benchmarks occidentales ampliamente usados (MMLU, GPQA fuera del leaderboard de Hugging Face que citaron Chosun Biz y Economist). Tampoco hay, en las fuentes disponibles, detalles sobre el costo computacional del proceso de auto-mejora.

¿Qué características técnicas tiene Darwin-180B-RSI-R3 y cómo se accede a él?

Darwin-180B-RSI-R3 es un modelo de mezcla de expertos con 180.000 millones de parámetros totales, de los cuales activa cerca de 3.000 millones por token procesado. Eso es lo que permite que corra razonablemente rápido pese al tamaño nominal.

• Licencia: Qwen Community License 1.0, heredada del modelo padre, con uso comercial permitido.
• Versión liviana: POCKET-Darwin-180B-GGUF, cuantizada a 4 bits.
• Requisitos: corre sin GPU en una notebook de 32 GB, usando el SSD como memoria extendida.

Para equipos que evalúan modelos abiertos para proyectos en Latinoamérica, la combinación de licencia comercial abierta y versión on-device achica bastante la barrera de entrada. Igual conviene no confundir “corre en una notebook” con “rinde igual que en un clúster con GPUs”: la cuantización a 4 bits siempre implica alguna pérdida de precisión frente a la versión completa. Te puede servir nuestra cobertura de la comparativa de auditorías de código entre modelos.

Errores comunes al interpretar este tipo de rankings

• Confundir un eje con el ranking general: Darwin es segundo en razonamiento matemático-científico, no segundo modelo del mundo. En el índice compuesto está noveno de 19.
• Asumir que el puntaje lo midió la empresa del modelo: lo midió SuperCLUE con su propio examen mensual no público, VidraftLab no publicó una medición propia de este resultado.
• Mezclar benchmarks distintos como si fueran la misma vara: el puesto 1 en GPQA Diamond de Hugging Face y el puesto 2 en SuperCLUE son dos mediciones separadas, con metodologías y fechas distintas.
• Pensar que “open weight” significa “sin restricciones”: la Qwen Community License 1.0 permite uso comercial, pero trae términos heredados del modelo padre que conviene leer antes de desplegar en producción.

Preguntas Frecuentes

¿Qué es el modelo Darwin-180B-RSI-R3?

Darwin-180B-RSI-R3 es un modelo de lenguaje open weight de VidraftLab, con 180.000 millones de parámetros en arquitectura de mezcla de expertos y cerca de 3.000 millones activados por token. Se construyó sobre Qwen3.8-Flash-Next de Alibaba usando un proceso de auto-mejora recursiva (RSI) sobre las capas de atención.

¿Qué es SuperCLUE y cómo evalúa los modelos de IA?

SuperCLUE es un benchmark chino de modelos de lenguaje, derivado del test de comprensión del idioma chino CLUE de 2019. Publica un examen distinto cada mes, no público de antemano, y mide cinco ejes: codificación de agentes, razonamiento matemático-científico, supresión de alucinaciones, seguimiento de instrucciones y contexto largo.

¿Por qué Darwin quedó primero entre modelos open weight?

Porque entre los nueve modelos open weight evaluados en noviembre de 2026, ninguno superó sus 73.68 puntos en razonamiento matemático-científico. DeepSeek-V4.1-Flash y GLM-5.3, también open weight, quedaron en 71.05 y 65.79 respectivamente.

¿Darwin es mejor que GPT-6.1-Sol de OpenAI?

No en este eje: GPT-6.1-Sol sacó 76.32 puntos en razonamiento matemático-científico, 2.64 puntos por encima de Darwin. En el índice compuesto de los cinco ejes de SuperCLUE no hay comparación pública directa entre ambos en las fuentes disponibles, porque GPT-6.1-Sol aparece como referencia, sin ranking oficial de SuperCLUE al ser un modelo no chino.

¿Qué significa que Darwin esté basado en Qwen3.8-Flash-Next?

Significa que VidraftLab no entrenó Darwin desde cero. Tomó Qwen3.8-Flash-Next de Alibaba, mantuvo intactas sus capas de expertos (512 por capa, donde vive la mayor parte del conocimiento) y solo reentrenó las capas de atención mediante auto-mejora recursiva, lo que explica la mejora de 15.8 puntos en razonamiento sin cambiar la base de conocimiento.

Conclusión

El resultado de Darwin en SuperCLUE es real y verificable: 73.68 puntos en razonamiento matemático-científico, segundo de 19 modelos, primero entre los open weight. También es acotado: un eje, un mes, un benchmark. Nueve de 19 lugares en el índice compuesto no es un mal dato, pero tampoco es la foto de “modelo abierto que le gana a todos” que algunos titulares sugieren.

Lo que sí queda como aprendizaje técnico concreto es el método: heredar expertos y reentrenar solo capas de atención con auto-mejora recursiva subió 15.8 puntos en el eje más exigente sin tocar el conocimiento de base del modelo padre. Si estás evaluando modelos open weight para un proyecto, el dato útil no es el titular, es esa tabla comparativa entre Qwen3.8-Flash y Darwin, y la licencia Qwen Community License 1.0 que permite uso comercial.

Fuentes

• VidraftLab – nota técnica sobre el resultado de Darwin en SuperCLUE y la cobertura de los cuatro medios surcoreanos
• SuperCLUE – board oficial con los resultados mensuales de evaluación de modelos de lenguaje