一個只有 30 億參數的模型，真有辦法在數學競賽和程式設計實戰中，挑戰千億、甚至上兆參數的旗艦大模型嗎？
微博最新開源的 VibeThinker-3B，把小型模型在特定能力維度的表現推向了前所未有的極限。
VibeThinker-3B 在 AIME26 測驗中拿下 94.3 分，搭配測試時擴展技術更一舉衝上 97.1 分；近期在 LeetCode 週賽的首次提交通過率也高達 96.1%。
這款 3B 小模型將可驗證推理能力練到近乎頂標，效能直逼頂尖的開源千億、上兆參數大模型，甚至超越了閉源的 Claude Opus 4.5。
3B 模型刷出頂尖成績
VibeThinker-3B 是 VibeThinker 系列在 30 億參數規模上的最新探索，它的前身 VibeThinker-1.5B 已經在 15 億參數的規格上做過一輪驗證。
這次參數規模擴大到 3B，重點聚焦在數學、程式設計、STEM 這類具有明確驗證訊號的推理任務上。
模型採用的是「Spectrum-to-Signal」（光譜到訊號）的後訓練範式，其核心思路是透過課程式監督微調、多領域強化學習以及離線自蒸餾，將可驗證推理能力推向極致。
在數學競賽的表現最為亮眼。AIME26 直接拿到 94.3 分，結合「Claim-Level Reliability Assessment」（CLR，一種針對答案可驗證推理的測試時擴展策略）後，進一步提升到 97.1 分。在包含 400 道國際奧林匹亞等級難題的高難度基準 IMO-AnswerBench 上，單次跑分獲得 76.4 分，加上 CLR 後達到 80.6 分。在 HMMT、AIME 這些傳統數學競賽基準上，模型的表現同樣穩健。
DeepSeek V3.2 用 6710 億參數在 IMO-AnswerBench 拿到 78.3 分，GLM-5 用 7440 億參數拿到 82.5 分，Kimi K2.5 用 1 兆參數拿到 81.8 分。VibeThinker-3B 的 80.6 分，硬是擠進了這個領先群，但它的參數量僅僅是對手的零頭。
不只在數學領域，VibeThinker-3B 在程式設計、知識和指令遵循這幾條軸線上，也都有優異的表現。
在 LiveCodeBench v6 上，Pass@1 達到 80.2；在 IFEval 評測中取得 93.4 分。
在多個可驗證推理基準測試中，VibeThinker-3B 與 Qwen3.6 Plus、Gemini 3 Pro、GLM-5、Kimi K2.5 等第一梯隊的推理模型同台較勁，整體表現已進入頂級模型的效能區間。
另一個觀察重點是其「分佈外泛化」的能力。研究團隊在 2026 年 4 月 25 日至 5 月 31 日期間，針對模型未曾見過的 LeetCode 週賽和雙週賽題目進行評估，全部題目皆使用 Python 作答。
在總計 128 道題目中，首次提交就通過了 123 道，通過率高達 96.1%。這表示模型並非只是在熟悉的題庫裡刷分，即便遇到從未見過的真實賽題，也能穩定產出解答。
程式碼能力的遷移性，往往比數學題更能說明模型的真實理解力，因為題目敘述、解題限制、資料結構對模型而言都是全新的，必須真正看懂題目才能解出來。
訓練流程的層層疊加
VibeThinker-3B 沿用其前身 VibeThinker-1.5B 所提出的「Spectrum-to-Signal Principle」（SSP，光譜到訊號原則）。
核心想法是在 SFT（監督微調）階段，先構建一個寬廣且合理的推理軌跡光譜，然後在 RL（強化學習）階段，再利用可驗證的獎勵機制，將正確的訊號放大。
首先執行的是基於課程的兩階段 SFT。前半段涵蓋數學、程式碼、STEM 推理、通用對話和指令遵循等通用能力，後半段則切換到更困難、推理跨度更長的樣本。
這裡使用了「多樣性探索蒸餾」，目的是保留多種有效的解題路徑，不讓模型只學到單一的打法。
接下來是多領域推理 RL，復用了 MaxEnt 引導策略優化（MGPO）。RL 依序應用在數學、程式碼和 STEM 任務上，全程使用單一 64K 長上下文視窗進行訓練，以保留完整的長跨度推理軌跡。
之後是離線自蒸餾。從數學、程式碼和 STEM 的 RL 檢查點中，挑選出高品質的推理軌跡，將其蒸餾回一個統一的學生模型。挑選標準使用了「學習潛力評分」，優先選擇那些答案正確但學生模型尚未充分掌握的軌跡。
最後一步是指令強化學習。在前幾輪將推理能力推向極限後，這一步專門用來提升模型對使用者提示的可控性。資料分為兩類：格式敏感指令和開放式指令，分別使用基於規則的驗證器和基於評分標準的獎勵模型進行學習。這使得模型既能進行深度推理，也聽得懂人話，IFEval 拿到 93.4 分就是這步驟的直接成果。
參數壓縮與覆蓋的邊界
從 VibeThinker-1.5B 到 VibeThinker-3B，團隊的目標是沿著特定能力維度，探索小模型真正的實力邊界。
透過觀察這一系列的結果，他們提出了「參數壓縮－覆蓋假說」。核心觀點在於，不同能力對於參數規模的依賴方式截然不同。
可驗證推理更像是一種高度可壓縮、參數密集的能力。它的本質是多步推理、限制條件滿足、自我修正和答案驗證這一整套循環。其任務空間結構清晰，回饋訊號可靠，因此小模型就有機會逼近領先水準。
數學題做對就是做對，程式碼能跑就是能跑，驗證訊號乾淨俐落。參數在此處的作用，更像是把既有的潛力放大，而不是用來裝載整個世界。
至於開放領域知識、通用對話和長尾場景理解，則完全是另一回事。這些能力仰賴大規模參數去廣泛覆蓋事實、概念和世界知識。一個事實沒見過就是答不出來，長尾場景沒訓練過就是不會處理，是壓縮不了的。參數在這裡的作用是儲存和檢索，沒有足夠的規模，就沒有足夠的知識覆蓋度。
如果這個假說成立，那麼小模型和大模型之間的關係，就不是替代，而更像是互補。在回饋機制明確的領域，小型語言模型是一條獨立的前沿路徑。壓縮型能力和覆蓋型能力，可能需要截然不同的擴展策略，若硬是套用同一套參數擴展邏輯，恐怕會落得兩頭空。
VibeThinker-3B 描繪出了一條與眾不同的能力曲線。像推理這種結構清晰、回饋可靠的能力，即便參數壓縮到極致，3B 的規模也能擠進 1 兆參數旗艦機種的效能區間。但需要廣大知識覆蓋的範疇，如知識、對話、長尾理解等，參數規模仍是繞不開的硬需求。
沿著這條路線走下去，頂尖的效能未必只能靠堆疊參數來實現。在能夠被驗證的領域裡把推理做到極致，小模型完全有機會成為獨立的一極。
微博開源 VibeThinker-3B，等於驗證了這條路線的可行性。開發者社群能不能在這個基礎上再往前推進一步，非常值得期待。
參考資料：
https://huggingface.co/WeiboAI/VibeThinker-3B
https://github.com/WeiboAI/VibeThinker