BigBang

BigBang (BigBang-V1) är en allmän språkmodell från gruppen Endless Frontier. Den utgår från Alibabas öppna Qwen3.6-35B-A3B, en MoE-modell med cirka 35 miljarder parametrar varav 3 miljarder är aktiva åt gången, och har efterhandstränats med en ny metod för syntetisk träningsdata.

Tanken är att modeller som närmar sig mänskliga experter behöver träningsuppgifter som ligger vid gränsen för vad man vet, men vars svar ändå går att kontrollera med matematik, beräkningar, simuleringar eller andra verktyg. I BigBang hittar generator-agenter på och löser allt svårare vetenskapliga och tekniska problem, medan kritiker-agenter bedömer om de är korrekta, svåra och varierade nog. En överordnad kritiker jämför bedömningarna med hur träningen faktiskt gick och med verkliga forskningsuppgifter. På så sätt togs ungefär 10 000 mycket svåra träningsexempel fram.

Enligt skaparna förbättrar den lilla datamängden modellen kraftigt inom forskning, resonemang, kod och verktygsanvändning. De uppger att BigBang hamnar mellan DeepSeek V4 Flash (284B) och DeepSeek V4 Pro (1,6T) totalt sett, och att den slår DeepSeek V4 Pro på bland annat FrontierScience Research, Humanity's Last Exam och PaperBench. Modellen kan enligt webbplatsen göra upp till 500 verktygsanrop och har ett kontextfönster på 256k tokens.

Vikterna släpptes på Hugging Face den 2 augusti 2026 under Apache 2.0. Webbplatsen anger organisationen PolarSeeker och en teknisk rapport utan författarlista; på GitHub står att artikeln kommer senare.