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.