30亿参数，是 VibeThinker-3B 最抓眼球的标签。
2026年6月25日，新浪财经报道称，这个密集推理模型在数学解题、竞赛编程等高难度可验证任务上，进入 Gemini 3 Pro、GPT-5 high、Claude Opus 4.5、GLM-5、Kimi K2.5 等前沿模型的性能区间。报道还将豆包、MiniMax、GLM、Kimi列为国内参照。
海外社区很快抓住了参数反差。LinkedIn 上的讨论称，它匹配了参数量大200到300倍的模型；X 上的转述用了1/500这一说法；Reddit则有人把它视为对盲目扩大参数的一次提醒。
热闹归热闹，这几种参数比较并不是同一套口径。
先把“跑赢”缩回正确范围
目前材料能支撑的结论，是 VibeThinker-3B 在数学、竞赛编程等特定任务上，进入多款前沿模型的性能区间。这不等于通用能力全面领先，也无法证明所有参照模型都属于统一的“千亿级”规模。
可引用摘要没有给出完整榜单、测试设置和分项成绩，因此还不能判断领先发生在哪些题集，幅度又有多大。更稳妥的说法是：一个30亿参数模型，在一批边界清楚、结果可以验证的推理任务上，已经逼近一线模型。
这已经足够亮眼，不必再把结论扩大成小模型全面战胜大模型。
四段训练顺序，比参数倍数更有用
X 上的公开转述将训练流程概括为：
SFT 监督微调 → 多领域 RL 强化学习 → 离线自我蒸馏 → 最终 RL 指令微调
这条顺序有意思。SFT先给模型一个可工作的起点，多领域强化学习继续调整推理策略，离线自我蒸馏再把模型自身产出的样本整理成训练材料，最后用 RL 指令微调收尾。
它呈现的是一套反复利用模型已有能力的训练思路。蒸馏没有放在最前面，而是接在多领域强化学习之后。模型先通过反馈获得新的推理行为，再把这些行为转回离线训练环节。
不过，目前披露的信息还只是流程框架。基座模型如何选择，SFT数据怎样构造，强化学习的奖励如何设置，四个阶段分别贡献了多少，现有摘要都没有回答。仅凭流程图，还不能把最终成绩归功于某一个环节。
离线自我蒸馏为何最受注意
X 上的转述明确把“离线自我蒸馏”称为关键一步。
按通常含义，自我蒸馏会将模型自身产出的结果离线整理，再用于后续训练。放在强化学习之后，它可以让前一阶段获得的推理行为变成可重复使用的数据，而不只停留在策略更新里。
问题也在这里：样本如何筛选、使用哪个版本作为教师、是否混入外部数据，这些细节都没有出现在可引用摘要中。离线自我蒸馏值得追踪，但目前还不能断言它单独解释了 VibeThinker-3B 的成绩。
开源中国的报道还提到，微博团队提出了“参数压缩覆盖假设”，认为推理等特定能力可以被高度压缩，而大模型通常需要更大的参数规模覆盖广泛知识。
这里的限定词是“特定能力”。现有结果支持的是数学、编程等可验证推理任务，尚不足以外推到所有通用能力。
GRPO先留个问号，算力账也别急着算
现有可引用摘要只确认了“多领域 RL”，没有说明具体采用 GRPO 还是其他强化学习方法，也没有披露奖励设计。把这一阶段直接写成 GRPO，会比来源多走一步。
训练成本同样缺少依据。公开摘要没有给出 SFT 数据量、训练步数、GPU型号、卡时或云服务价格。3B说明的是模型参数规模，无法直接回答后训练花了多少算力，更不能据此判断个人开发者或中小团队能否按相同条件复现。
小模型可能降低部署门槛，但训练是否便宜，要看数据生成、强化学习采样和蒸馏过程。缺少这些信息，成本账就算不准。
对中小团队，先看任务能不能判对错
VibeThinker-3B 的相关材料反复强调“可验证推理”。新浪财经提到的适配场景包括数学教育与培训、编程教学辅助。两类任务有一个直观的共同点：结果相对容易检查。
当题目有明确答案，或程序结果能够被验证，强化学习才容易获得清晰反馈。对小模型团队来说，更现实的借鉴顺序是先收窄任务、建立可靠的评估方式，再决定如何组合 SFT、强化学习和自我蒸馏。
当前更适合借鉴的是问题设置，而非照搬训练配方。模型底座、数据构造、奖励规则和蒸馏样本筛选都会影响结果，这些部分仍需要更完整的技术材料。
VibeThinker-3B把一个老问题重新摆上桌：模型能力是否必须随着参数一起扩张？现有结果给出的答案很窄，也很有价值——至少在数学、竞赛编程等可验证推理任务上，30亿参数已经能进入前沿模型的性能区间。
至于 GRPO、训练成本、通用能力和可复制性，证据还没到可以拍板的程度。
