VibeThinker: 3B parametrový model tvrdí, že prekonáva Opus 4.5 v reasoningu

Čo sa stalo

ArXiv paper predstavil VibeThinker — 3B parametrový model, ktorý podľa autorov prekonáva Claude Opus 4.5 na reasoning benchmarkoch. Trénovacia metóda kombinuje supervised fine-tuning a GRPO (group relative policy optimization).

Kontext a dopad

Ak by tvrdenie obstojí pri nezávislých testoch, ide o významný posun v poznaní, že reasoning capability nie je striktne lineárne závislá od veľkosti modelu — analogicky ku Phi alebo Qwen progress. Pre praktikov to znamená dostupnú reasoning capability na 1x GPU. HN diskusia je veľmi intenzívna, čo naznačuje vážny záujem komunity.

Detaily

• Veľkosť: 3B parametrov
• Metóda: SFT + GRPO
• Benchmark claim: beats Opus 4.5 on reasoning
• HN: 305 skóre, 162 komentárov za <12 h