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。
📖 出典全文: HN AI Agents
👀 See Also
Claudeのテキスト透かしの仕組み
Claudeの今後の透かしは、鍵と直前の単語を使用してランダムな選択を変更し、出力品質には影響しません。EU AI法に準拠するように設計されています。

OneUptimeは、単一のコミットで12,000件のAI生成ブログ記事を追加します。
OneUptimeのブログリポジトリに、ClickHouse、Redis、MongoDB、MySQLなどの技術をカバーする12,000件のAI生成投稿が、5,012ファイルと100万行以上のコードを変更する単一のコミットで追加されました。

スタンフォード大学CS25トランスフォーマー講座、一般公開へ ライブ配信も実施
スタンフォード大学のCS 25 Transformersセミナーが一般公開され、2025年1月23日午後4時30分から5時50分(PDT)に講義が開始されます。Skilling Auditoriumでの対面参加またはZoomでの参加が可能で、録画はオンラインで公開されます。

エージェント実行記録のためのオープンスタンダード:共有ログスキーマの必要性
各エージェントランタイムは独自のログ形式を持ち、デバッグ、監査、ツールの移植性に断片化を引き起こしている。フィールドはすでにコアスキーマに収束しつつあり、標準化の時が来ている。