VibeThinker-3B: 3 miliardy parametrow, a wyniki jak u gigantow
Chinski model o zaledwie 3 miliardach parametrow rozwiazuje zadania matematyczne i programistyczne na poziomie rywali 200 razy wiekszych. To nie przypadek - to sygnal, ze rozumowanie mozna kompresowac. Tlumaczymy, jak to dziala i co z tego wynika dla Twojej firmy.
Redakcja Neurise
6 min czytania
28 czerwca 2026
VibeThinker-3B to otwarty model jezykowy stworzony przez chinska firme Sina - wlasciciela serwisu Weibo. Przy zaledwie 3 miliardach parametrow model osiaga wyniki porownywalne z modelami wielokrotnie wiekszymi w zadaniach z matematyki i programowania. Jego czerwcowy debiut pokazuje wyraznie, ze przewaga nie lezy juz w samym rozmiarze sieci, lecz w tym, jak model sie uczy rozumowac.
W skrócie
- VibeThinker-3B (Sina/Weibo) ma 3 mld parametrow i bazuje na otwartym Qwen2.5-Coder-3B od Alibaby.
- Na benchmarku AIME26 dorownuje DeepSeek V3.2 i Kimi K2.5, ktore sa odpowiednio okolo 200 i 333 razy wieksze.
- W konkursie LeetCode (kwiecien-maj 2026) rozwiazal 123 ze 128 zadan przy pierwszej probie i wyprzedza kazdy model ponizej 20 mld parametrow na LiveCodeBench.
- Klucz to trzyetapowy przepis "Spectrum-to-Signal": nadzorowane dostrajanie, rownolegle uczenie ze wzmocnieniem na matematyce, kodzie i naukach scislych, oraz offline'owa samodestylacja.
Skad wzial sie VibeThinker-3B
Za modelem stoi Sina, chinska korporacja medialna najbardziej znana z Weibo - odpowiednika Twittera. Zespol Weibo AI nie budowal architektury od zera: oparl sie na publicznie dostepnym modelu Qwen2.5-Coder-3B od Alibaby i skupil cala energie na procesie treningu. Model trafil do publicznej sieci w polowie czerwca 2026 (raport techniczny na arXiv opublikowano 15 czerwca) na licencji MIT, co oznacza, ze kazdy moze pobrac jego wagi i wdrozyc go we wlasnej infrastrukturze.
Wagi w formacie BF16 zajmuja okolo 6 GB - tyle, ze model uruchamia sie na pojedynczej karcie graficznej. Mimo to twory Weibo zdecydowali sie zmierzyc z modelami wymagajacymi dziesiatki, a nawet setki razy wiekszej mocy obliczeniowej. I nie wyszli z tej konfrontacji zle.
Co pokazuja wyniki na benchmarkach
Najtwardszym sprawdzianem dla modeli rozumujacych jest AIME26, czyli olimpiada matematyczna uzywana do oceny modeli AI. VibeThinker-3B uzyskal tu wynik 94.3, porównywalny z DeepSeek V3.2 (671 mld parametrow) i Kimi K2.5 (okolo 1 biliona parametrow). Liczby mowia same za siebie: jeden model robi podobna robote za ulamek zasobow pozostalych dwoch.
W konkursie programistycznym LeetCode z edycji kwiecien-maj 2026 model rozwiazal 123 ze 128 zadan przy pierwszej probie (96,1% skutecznosci). Na benchmarku LiveCodeBench v6, ktory mierzy zdolnosc pisania dzialajacego kodu, VibeThinker-3B osiaga 80.2 Pass@1 i pokonuje kazdy inny model o rozmiarze ponizej 20 miliardow parametrow.
Nie kazdy test wypada rownie dobrze. Na GPQA-Diamond, sprawdzajacym szersza wiedze naukowa, model uzyskal 70.2 - wyraznie mniej niz np. Gemini 3 Pro (91.9) czy Claude Opus 4.5 (87.0). To wazna wskazowka: logiczne rozumowanie i algorytmiczne myslenie daja sie kompresowac, wiedza encyklopedyczna - znacznie gorzej.
Jak wytrenowali tak maly model tak dobrze
Zespol Weibo AI opisal wlasny przepis, nazwany "Spectrum-to-Signal". Sklada sie z trzech glownych etapow, kazdy buduje na poprzednim:
- Etap 1 - nadzorowane dostrajanie oparte na krzywej uczenia (SFT). Model uczy sie na wysokiej jakosci przykladach: mocniejsze modele-nauczyciele generuja wiele wariantow rozumowania dla kazdego zadania, a najlepsze sciezki wybierane sa m.in. przez weryfikacje odpowiedzi w sandboksie kodu. Ten etap buduje szerokie "spektrum" mozliwych, poprawnych sposobow rozumowania.
- Etap 2 - uczenie ze wzmocnieniem na wielu dziedzinach rownolegle (RL, metoda MGPO). Model trenowany jest jednoczesnie na matematyce, kodzie i naukach scislych, z naciskiem na zadania, ktore rozwiazuje "czasem, ale nie zawsze" - to tu ze spektrum mozliwosci wylania sie mocny "sygnal" poprawnych strategii.
- Etap 3 - offline'owa samodestylacja. Na koniec checkpointy z etapu RL sa laczone (uśredniane), co stabilizuje i utrwala zdobyte umiejetnosci w jednym, zwartym zestawie wag - bez rozrostu rozmiaru modelu.
Rozumowanie logiczne kompresuje sie znacznie lepiej niz wiedza faktograficzna. VibeThinker-3B to dowod, ze mozna wycisnac z malego modelu wielki talent do kodu i matematyki.
Wyprzedza GPT-5.2, Claude i Kimi w wybranych testach
Autorzy twierdza, ze na zadaniach z konkursow LeetCode (kwiecien-maj 2026) VibeThinker-3B osiagnal 96,1% skutecznosci, wyprzedzajac GPT-5.2 (95,3%) i Kimi K2.5 (90,6%) oraz cala linie modeli Claude 4.6. Ogolnie w weryfikowalnym rozumowaniu (matematyka, kod) model osiaga poziom porownywalny z GLM-5, Kimi K2.5, Gemini 3 Pro i Claude Opus 4.5. To twierdzenia producenta z wlasnego raportu technicznego - niezalezna weryfikacja jeszcze nie nastapila, wiec nalezy traktowac je z odpowiednim dystansem. Niemniej wyniki na LiveCodeBench i LeetCode sa weryfikowalne i robia wrazenie nawet przy ostroznej ocenie.
Warto pamietac, czego model nie potrafi. Slabszy wynik na GPQA-Diamond jasno mowi, ze VibeThinker-3B to wyspecjalizowane narzedzie do zadan algorytmicznych, nie universalny asystent. Wybierajac model do konkretnego zadania, zawsze warto sprawdzic, ktory benchmark go opisuje lepiej.
Ten sam trend widać po stronie budżetów. Opisujemy go w tekście o tokenmaxxingu, czyli końcu ery przepalania pieniędzy na AI.
Co rewolucja malych modeli zmienia dla Twojej firmy
Historia VibeThinker-3B przekłada sie bezposrednio na strategie kazdej firmy myslacej o AI i widocznosci w sieci. Kilka konktretnych konsekwencji:
- Mniejsze modele to nizszy koszt wdrozenia. Jesli model klasy "maly" osiaga wyniki klasy "duzy", automatyzacja prostych zadan - czat na stronie, kategoryzacja zapytan klientow, generowanie opisow produktow - przestaje byc zarezerwowana dla korporacji z budzetem na AWS.
- AI na krawedzi (edge AI) to juz realna opcja. Modele o 3 miliardach parametrow uruchamiaja sie lokalnie, bez wysylania danych do zewnetrznych serwerow. Dla firm przetwarzajacych wrazliwe dane klientow to argument za bezpieczenstwem i zgodnoscia z RODO.
- Wiekszy wybor narzedzi, wiekszy wybor strategii. Klienci szukaja odpowiedzi nie tylko w Google, ale rowniez w ChatGPT, Gemini czy Perplexity. Rozwijajacy sie ekosystem malych, wyspecjalizowanych modeli oznacza, ze pytania beda padac w coraz wiekszej liczbie miejsc. Jesli Twoja firma nie jest dobrze opisana w sieci jako autorytet w swojej dziedzinie, zadne z tych narzedzi nie bedzie jej rekomendowac.
- SEO i GEO to wciaz fundament. Model AI - niezaleznie od producenta i rozmiaru - czerpie wiedze o swiecie ze stron internetowych i artykulow branżowych. Firma, ktora publikuje rzetelne tresci i buduje widocznosc w Google, ma wieksze szanse na pojawienie sie w odpowiedziach AI. Maly model nie zmienia tej mechaniki. Mozna powiedziec, ze ja wzmacnia, bo szybciej i czesciej odpowiada na pytania uzytkownikow bez odsylania ich do przegladarki.
Najczęstsze pytania
VibeThinker-3B to otwarty model jezykowy stworzony przez chinska firme Sina (wlasciciel serwisu Weibo). Ma zaledwie 3 miliardy parametrow i bazuje na modelu Qwen2.5-Coder-3B od Alibaby. Pomimo malego rozmiaru osiaga wyniki porownywalne z modelami 200-333 razy wiekszymi w testach matematycznych i programistycznych.
Na benchmarku AIME26 VibeThinker-3B uzyskal wynik 94.3, dorownujac modelom DeepSeek V3.2 i Kimi K2.5, ktore sa odpowiednio okolo 200 i 333 razy wieksze. Na tegorocznej edycji LeetCode (kwiecien-maj 2026) rozwiazal 123 ze 128 zadan przy pierwszej probie. Na LiveCodeBench pokonuje kazdy model ponizej 20 miliardow parametrow. Slabszym punktem pozostaje GPQA-Diamond, gdzie osiagnal 70.2 i wyraznie ustepuje wiekszym rywalom.
Zespol Weibo AI wytrenowal model trzyetapowym przepisem "Spectrum-to-Signal": najpierw nadzorowane dostrajanie na starannie wyselekcjonowanych sciezkach rozumowania, potem uczenie ze wzmocnieniem rownolegle na matematyce, kodzie i naukach scislych (metoda MGPO), a na koniec offline'owa samodestylacja laczaca checkpointy treningowe w jeden, zwarty zestaw wag.
Mniejsze modele to nizszy koszt wdrozenia i mozliwosc uruchomienia AI lokalnie - bez wysylania danych do zewnetrznych serwerow. Dla wlasciciela MSP oznacza to, ze dostep do sprawnego narzedzia AI przestaje wymagac gigantycznego budzetu. Jednak niezaleznie od tego, z jakiego modelu korzystaja Twoi klienci, wciaz zadaja pytania w Google i asystentach AI - i nadal liczy sie, czy Twoja firma pojawia sie w odpowiedziach.
Tak, VibeThinker-3B to model otwarty (open-source), co oznacza, ze jego wagi sa publicznie dostepne. Kazdy deweloper lub firma moze pobrac model i wdrozyc go we wlasnej infrastrukturze.
Zrodla: arxiv.org: VibeThinker-3B - Exploring the Frontier of Verifiable Reasoning (2606.16140), GitHub: WeiboAI/VibeThinker - oficjalne repozytorium modelu, VentureBeat: Why Weibo's tiny VibeThinker-3B has the AI world arguing over benchmarks again, LiveCodeBench - benchmark kodowania.
Powiązane artykuły
Sprawdź, czy AI poleca Twoją firmę.
Zacznij od bezpłatnego audytu SEO i GEO. Sprawdzimy, jak modele AI opisują Twoją markę, i wskażemy priorytety zwiększające szanse na cytowanie.