#微博大模型可真能省钱#

今天才知道，微博竟然还有个 AI 团队？👀

微博 AI 团队（WeiboAI）开源了一个 30 亿参数的模型：VibeThinker-3B
专攻数学和编程竞赛。

在美国高中顶级数学邀请赛级别的竞赛题、国际数学奥赛、真实竞赛编程题这些高难度测试里，
它咬住了比自己大几十倍、几百倍的模型：

GLM-5 是 744B
Kimi K2.5 是 1T（一万亿）
DeepSeek V3.2 是 671B

而它大约 6.7GB 显存就能装下，
一张消费级显卡就能本地跑，不需要机房。

💡 为什么 3B 能做到？

常识是“参数越多越聪明”，
堆参数、堆算力、烧钱，是过去几年大模型变强的主线。
一个 3B 模型，凭什么在某些题上追上千亿模型？

微博提出了一个叫“参数压缩覆盖假设”的解释，
核心就一句：“会推理”和“知识多”，是两种对参数需求完全不同的能力。

打个比方。

“会推理”更像一套能反复套用的方法，
多走几步、检查约束、自己纠错、验证答案，
这套流程一旦学会，不需要很大的脑容量也能跑得很好，是高度可压缩的。

“知识广”是另一回事，
要记住世界上海量的事实、概念、冷门信息，
这种“覆盖面”压不动，只能靠足够大的参数硬装进去。

这两件事，其实能拆开。

过去默认“模型越大越聪明”，是把推理和知识捆在了一起。
但真正吃参数的大头是知识那部分，
推理其实压得很小，小到一个 3B 模型也能装下、还做到顶尖。

所以才有 VibeThinker-3B 这种东西：推理强、知识弱。
它把全部参数预算砸在“方法”上，“数据库”基本不要了。

它在复杂数学、算法编程、科学研究这些方面非常强，
但一到通用知识、日常聊天、调用工具就明显不行，
这是它专门牺牲掉的部分。

对了，它不是从零造的，
底座是阿里的 Qwen2.5-Coder-3B，微博做的是后训练。

📱 回到开头那个“省钱”

它还能往小了塞。
3B 的体量，量化压一下也就一两个 GB，
一台普通笔记本、甚至一部高端手机，都能把它跑起来。

能离线用，地铁里、飞机上、没信号的地方，照样拍题、讲题、刷算法。
数据不出门，题目、错题都在自己设备里转，不往云端传。
还零边际成本，装一次，之后问多少遍都不再花一分钱。

等于把一个能解奥赛题的推理引擎，从机房搬进了你的口袋。

💰 对学校、教培、天天刷题备考的人来说，这才是真省钱。

模型地址：http://t.cn/AXSKfWyx
技术报告：http://t.cn/AXSKfWyM