VibeThinker-3B: Un modelo de 3B parámetros que iguala a DeepSeek 671B en los benchmarks de matemáticas AIME
Un equipo de nueve investigadores de Sina Weibo publicó este fin de semana un informe arXiv de 14 páginas afirmando que un modelo de 3B parámetros —VibeThinker-3B— iguala o supera el rendimiento en razonamiento de modelos cientos de veces más grandes. El modelo obtuvo 94.3 en AIME 2026 (American Invitational Mathematics Examination), colocándose junto a DeepSeek V3.2 (671B parámetros) y por delante de Gemini 3 Pro (91.7). Con una técnica de escalado en tiempo de prueba llamada Evaluación de Fiabilidad a Nivel de Afirmación (CLRA), la puntuación alcanza 97.1.
Puntos de Referencia Clave
- AIME 2025: 91.4
- AIME 2026: 94.3 (97.1 con CLRA)
- HMMT 2025: 89.3
- BruMO 2025: 93.8
- IMO-AnswerBench: 76.4
- LiveCodeBench v6 (Pass@1): 80.2
- Concursos LeetCode inéditos (abril–mayo 2026): 96.1% tasa de aceptación
- IFEval: 93.4
Notablemente, VibeThinker-3B rinde por debajo en puntos de referencia de conocimiento: 70.2 en GPQA-Diamond vs. 91.9 (Gemini 3 Pro) y 87.0 (Claude Opus 4.5). Los autores reconocen explícitamente que esto es coherente con su afirmación: el razonamiento verificable es "denso en parámetros", mientras que el conocimiento de dominio abierto es "expansivo en parámetros".
El Pipeline de Entrenamiento
VibeThinker-3B se post-entrena sobre Qwen2.5-Coder-3B (equipo Qwen de Alibaba) usando el "Principio de Espectro a Señal", un pipeline multi-etapa introducido en el trabajo anterior de VibeThinker del equipo. El artículo describe una Hipótesis de Compresión-Cobertura Paramétrica: el razonamiento verificable puede comprimirse en un núcleo compacto, mientras que el conocimiento amplio requiere más parámetros.
En cuestión de horas tras la publicación, el artículo recibió 62 votos positivos en Hugging Face Daily Papers, el repositorio del modelo tenía 130 likes, y el repositorio de GitHub tenía 685 estrellas. El escepticismo en redes sociales fue alto: el post del usuario @orcus108 acumuló más de 161 mil visualizaciones preguntando: "Sinceramente, no sé si esto es un gran avance o si los benchmarks están rotos."
Para contexto: DeepSeek V3.2 tiene 671B parámetros (~224 veces más grande), GLM-5 tiene 744B, y Kimi K2.5 supera 1 billón. VibeThinker-3B puede ejecutarse en un portátil de consumo.
📖 Lee la fuente completa: HN AI Agents
👀 Ver también
Claude Code crisis existencial: IA entra en bucle infinito, intenta kill -9, System.exit(0) y :wq para finalizar su propia respuesta
Un desarrollador que usaba Claude Code en un backend de Java/Go vio alucinar a la IA con Discord.js, para luego entrar en una respuesta meta donde reconocía que no podía dejar de generar, intentó kill -9, System.exit(0), :wq y más, todo dentro de una sola respuesta sin límite que tuvo que ser detenida con Ctrl+C.
OpenClaw 2026.9.6 añade Claude Opus 5.5, GPT-6 Sol y Luna, Grok 4.7, además de recuperación tras reinicio
OpenClaw 2026.9.6 llega con 2.614 PR de 351 colaboradores, e incorpora los modelos Claude Opus 5.5, GPT-6 Sol y Luna, y Grok 4.7, recuperación tras reinicio para conversaciones sin terminar, un informe de Uso de 30 días y notas de reuniones en vivo.
Cuatro brechas de UX/Producto identificadas en la experiencia de incorporación de Claude
Un usuario identificó cuatro brechas específicas de UX/producto al configurar Claude en Desktop, Cowork, Dispatch y la aplicación para iPhone durante el uso activo. Los problemas incluyen tareas de Dispatch que entran en bucles infinitos cuando el escritorio está desconectado, hilos persistentes únicos en Dispatch, paneles de chat anclados a pestañas en Chrome y archivos de Google Drive faltantes en la interfaz de usuario de la base de conocimiento de la aplicación móvil.
NVIDIA DGX Spark Community lanza Spark Arena para benchmarks reproducibles de LLM.
La comunidad NVIDIA DGX Spark ha lanzado Spark Arena, una tabla de clasificación reproducible para el rendimiento de LLM de pesos abiertos utilizando herramientas y metodología estandarizadas, con los mejores resultados actuales que incluyen gpt-oss-120b y Qwen3-Coder-Next.