VibeThinker: 3B-parametermodell som slår Opus 4.5 i resonnering med ny SFT+GRPO-metode

Forskere presenterer VibeThinker-3B, en liten språkmodell med tre milliarder parametere som hevder å overgå Claude Opus 4.5 i resonneringsoppgaver. Modellen er trent med en kombinasjon av overvåket fininnlæring og GRPO.

Kilde: https://arxiv.org/abs/2606.16140