为何微博的微型模型 VibeThinker-3B 再次引发 AI 界对基准测试的争论
Sina 微博研究团队推出了 VibeThinker-3B，这是一个仅拥有 30 亿参数的语言模型，宣称其性能可与 Google DeepMind 和 OpenAI 等主流 AI 实验室的大型模型媲美甚至超越。VibeThinker-3B 在具有挑战性的数学与代码基准测试中取得了卓越成绩，尤其在 AIME 2026 考试中表现突出。这些结果引发了 AI 社区的广泛兴奋，同时也招致了普遍质疑。批评者怀疑这些基准分数是否反映了真正的进步，还是源于“基准最大化”（benchmaxxing），即模型针对特定测试进行优化。研究团队提出了“参数压缩 - 覆盖假设”（Parametric Compression-Coverage Hypothesis），认为可验证的推理任务所需的参数少于广泛知识获取。团队也承认 VibeThinker-3B 在知识密集型基准（如 GPQA-Diamond）上的表现较低。VibeThinker-3B 模型是早期工作的演进，基于阿里巴巴的 Qwen2.5-Coder-3B 构建，并通过包含监督微调与强化学习的多阶段训练流程进行训练。具体训练技术包括课程学习、由能力边界引导的强化学习，以及用于高效推理的奖励重分配。尽管团队努力防止数据污染，但现实用户测试表明基准性能与实际效用之间存在差距。然而，即便是批评者也承认，用如此小的模型取得这些基准分数是一项令人印象深刻的工程成就。这一发展挑战了“缩放假设”（scaling hypothesis）的主流观点，即更大的模型总是更好，表明紧凑模型可在特定推理领域表现出色。研究团队强调，VibeThinker-3B 并非旨在取代大型通用模型，而是作为参数缩放之外的研究途径，起到补充作用。
