Sina Weibos VibeThinker-3B erreicht beeindruckende Ergebnisse bei Mathematik- und Coding-Aufgaben, obwohl es mit nur drei Milliarden Parametern extrem kompakt ist. Zum Vergleich: DeepSeek V3.2 und Kimi K2.5 sind bis zu 333-mal größer, bieten aber kein proportional besseres Niveau bei diesen speziellen Aufgaben. Der Trick liegt nicht in der Modellgröße, sondern in ausgefeiltem mehrstufigem Post-Training. Die Forscher leiten daraus eine zentrale These ab: Logisches Schlussfolgern und Reasoning-Fähigkeiten lassen sich offenbar effizient auf wenige Parameter komprimieren, während breites Weltwissen weiterhin Größe benötigt. Das könnte die ganze Debatte über die Notwendigkeit immer größerer Modelle verändern.
