VibeThinker-3B：在AIME数学基准测试中与671B DeepSeek匹敌的3B参数模型

Sina Weiboの9人の研究者チームは今週末、14ページのarXivレポートを公開し、3BパラメータのモデルVibeThinker-3Bが、数百倍のパラメータを持つモデルの推論性能に匹敵またはそれを上回ると主張した。このモデルはAIME 2026（アメリカ数学競技会）で94.3を記録し、DeepSeek V3.2（671Bパラメータ）と並び、Gemini 3 Pro（91.7）を上回った。テスト時スケーリング手法「Claim-Level Reliability Assessment」を適用すると、スコアは97.1に達する。

主要ベンチマーク

• AIME 2025: 91.4
• AIME 2026: 94.3（CLRA適用時97.1）
• HMMT 2025: 89.3
• BruMO 2025: 93.8
• IMO-AnswerBench: 76.4
• LiveCodeBench v6（Pass@1）: 80.2
• 未公開LeetCodeコンテスト（2026年4月～5月）: 96.1%の合格率
• IFEval: 93.4

特筆すべき点として、VibeThinker-3Bは知識ベンチマークでは低成績で、GPQA-Diamondで70.2（Gemini 3 Proは91.9、Claude Opus 4.5は87.0）。著者らはこれを自らの主張と一致するとして認めており、検証可能な推論は「パラメータ集約型」、オープンドメイン知識は「パラメータ拡大型」であるとしている。

トレーニングパイプライン

VibeThinker-3Bは、AlibabaのQwenチームによるQwen2.5-Coder-3Bをベースに、同チームの先行研究VibeThinkerで導入された多段階パイプライン「Spectrum-to-Signal Principle」を用いてポストトレーニングされた。論文ではパラメトリック圧縮・カバレッジ仮説を提唱。検証可能な推論はコンパクトなコアに圧縮可能だが、広範な知識にはより多くのパラメータが必要とされる。

公開から数時間で、この論文はHugging Face Daily Papersで62の賛成票を獲得し、モデルリポジトリは130のいいね、GitHubリポジトリは685のスターを獲得した。ソーシャルメディアでは懐疑的な声が多く、ユーザー@orcus108の投稿は16万1千回以上の閲覧を集め、「これがブレークスルーなのか、それともベンチマークが壊れているのか、本当にわからない」と述べている。

参考までに、DeepSeek V3.2は671Bパラメータ（約224倍）、GLM-5は744B、Kimi K2.5は1兆を超える。VibeThinker-3Bはコンシューマ向けノートPCで動作可能。