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
Desarrollador Reemplaza Asistente Virtual de $25/hora con Agentes de IA, Enfrenta Implicaciones Éticas
Un desarrollador reemplazó a un asistente virtual de $25/hora con agentes de IA que manejan seguimientos, programación, seguimiento de leads y actualizaciones de CRM. La configuración de IA cuesta alrededor de $1,000/mes y realiza las tareas más rápido y de manera más consistente que el asistente humano.
Fallo de memoria en Claude Opus 4.6: El agente olvida todo excepto el cambio de nombre de archivo
Un desarrollador documenta las 228 entradas de registro de Claude Opus 4.6, 95 acciones de agente y 38 ejecuciones de código que producen solo 1 memoria: la cadena 'Agent Zero Tune-Up'.
La Reunión de OpenClaw en Beijing Atrae a un Abarrotado Público Técnico
Un encuentro de OpenClaw en Beijing tuvo una asistencia con solo espacio de pie, donde los desarrolladores hicieron preguntas detalladas sobre orquestación multiagente, bucles autónomos y despliegues privados. La audiencia se centró especialmente en una demostración que mostraba a agentes Planificador, Desarrollador y Verificador colaborando de forma autónoma para impulsar una empresa de una sola persona.
El uso de IA en el desarrollo alcanza el 93%, pero las ganancias de productividad se estancan en el 10%.
El uso de asistentes de codificación AI es prevalente entre los desarrolladores, con un 93% adoptándolos. Sin embargo, el aumento en la productividad se limita a solo un 10%.