VibeThinker-3B: โมเดลจิ๋ว 3B ที่ไล่ทันโมเดล 671B บนโจทย์คณิต — รันได้บน GPU เครื่องเดียว

ในกระแสที่โมเดลโอเพนเวตระดับแนวหน้าเดี๋ยวนี้มักมีขนาดหลายร้อยพันล้านพารามิเตอร์ (GLM-5.2 ที่ 753B, MiniMax-M3 ที่ 427B) ทีม AI ของ Sina Weibo เลือกเดินสวนทาง — ปล่อย VibeThinker-3B โมเดลให้เหตุผล (reasoning) ขนาดเพียง 3 พันล้านพารามิเตอร์ ภายใต้ลิขสิทธิ์ MIT เมื่อ 18–19 มิถุนายน 2026 พร้อมข้ออ้างที่ทำเอาวงการถกเถียงกันทันที: บนโจทย์คณิตศาสตร์ระดับแข่งขัน มันทำคะแนนไล่ทันโมเดลที่ใหญ่กว่าตัวเองหลายร้อยเท่า

ประเด็นที่น่าสนใจสำหรับนักพัฒนาคือ มันเล็กพอจะรันบน GPU ผู้บริโภคตัวเดียว — ไม่ต้องคลัสเตอร์, ไม่ต้องเช่า API ราคาแพง — ซึ่งตรงกับโจทย์ของทีมเล็กและนักวิจัยอิสระที่อยากได้ความสามารถด้านการให้เหตุผลแบบ on-prem ในต้นทุนที่จับต้องได้

หมายเหตุ: โพสต์นี้เป็นการตามเก็บข่าว (catch-up) โมเดลถูกปล่อยช่วง 18–19 มิ.ย. ไม่ใช่ข่าวภายใน 24 ชั่วโมง — แต่เป็นการปล่อยโอเพนเวตที่น่าจับตาในสายโมเดลรันเครื่องเดียว จึงหยิบมาเล่าให้ครบ

เล็กแต่ทำคะแนนสูสีรุ่นยักษ์ — บนโจทย์เฉพาะทาง

ตัวเลขที่ Weibo รายงาน (อ้างอิงจาก model card และเปเปอร์ arXiv 2606.16140):

• AIME26: 94.3 — เทียบกับ DeepSeek V3.2 (671B) ที่ 94.2 และ Kimi K2.5 (1T) ที่ 93.3
• HMMT25: 89.3
• IMO-AnswerBench: 76.4 (ขยับเป็น 80.6 ด้วยเทคนิค test-time scaling แบบ CLR)
• LeetCode: รับคำตอบ 96.1% จากโจทย์ที่โมเดลไม่เคยเห็น 128 ข้อ

นั่นแปลว่าบน โจทย์คณิต/อัลกอริทึมระดับแข่งขัน โมเดล 3B ตัวนี้เล่นอยู่ในลีกเดียวกับโมเดลที่ใหญ่กว่าตัวเองราว 200–300 เท่า ฐานของมันคือ Qwen2.5-Coder-3B ที่ผ่านการ post-train ใหม่ทั้งหมด

เคล็ดลับอยู่ที่ post-training: Spectrum-to-Signal

VibeThinker ไม่ได้ฝึกใหม่ตั้งแต่ศูนย์ แต่ใช้ไปป์ไลน์ post-training ที่ทีมเรียกว่า Spectrum-to-Signal Principle (SSP) สี่ขั้น:

1. Curriculum SFT ครอบคลุมคณิต โค้ด และ STEM — สร้าง “สเปกตรัม” ของเส้นทางการให้เหตุผลที่ถูกต้องให้กว้างก่อน
2. Multi-domain RL ด้วย MaxEnt-Guided Policy Optimization ที่ถ่วงน้ำหนักโจทย์ซึ่งอยู่ “ตรงขอบความสามารถปัจจุบัน” ของโมเดล
3. Offline self-distillation รวม checkpoint จากขั้น RL
4. Instruct RL เพื่อให้ทำตามคำสั่งได้ดีขึ้น

แนวคิดหลักคือ SFT วาง “สเปกตรัม” ของวิธีคิดที่เป็นไปได้ทั้งหมด แล้ว RL ค่อยขยาย “สัญญาณ” ของเส้นทางที่ถูกต้องให้เด่นขึ้น — เป็นการเดิมพันว่าโมเดลเล็กที่ฝึกหลังบ้านอย่างชาญฉลาด เอาชนะการอัดพารามิเตอร์ดิบ ๆ ได้ในงานที่แคบและวัดผลชัด

ข้อจำกัดที่ต้องพูดให้ชัด

ตัวเลขสวยมาพร้อมดอกจันหลายตัว:

• มันเป็นผู้เชี่ยวชาญเฉพาะทาง ไม่ใช่โมเดลเอนกประสงค์ — บน GPQA-Diamond (ความรู้ทั่วไประดับปริญญาเอก) ทำได้เพียง 70.2 ช่องว่างกับโมเดลใหญ่ยังเห็นชัด เก่งเรื่องการให้เหตุผล/พิสูจน์ แต่ไม่ได้รู้กว้าง
• ไม่ได้ฝึกมาเพื่อ tool-calling หรือ agentic coding — model card ระบุเองว่า ไม่แนะนำ ให้เอาไปทำ function calling หรือใช้เป็นเอเจนต์เขียนโค้ดอัตโนมัติ มันเก่ง “โจทย์แข่งขัน” ไม่ใช่ “งานเอเจนต์จริง”
• คะแนนเป็นแบบ self-reported — ยังไม่ผ่านการตรวจสอบจากแล็บอิสระ ซึ่งเป็นเหตุให้เกิดเสียงวิจารณ์เรื่องความน่าเชื่อถือของเบนช์มาร์ก (โดยเฉพาะเมื่อตัวเลขบางตัวเทียบเท่าโมเดลที่ใหญ่กว่า 200 เท่า)

มุมมอง AI Curator

VibeThinker-3B ไม่ใช่ “โมเดล 3B ที่เก่งกว่า DeepSeek 671B” อย่างที่พาดหัวบางสำนักจั่วไว้ — และการอ่านมันแบบนั้นคือกับดัก สิ่งที่มันพิสูจน์จริงคือเรื่องที่ละเอียดอ่อนกว่า: บนงานที่แคบ มีคำตอบถูก/ผิดชัดเจน และวัดผลได้ (คณิตแข่งขัน, โจทย์อัลกอริทึม) การ post-train ที่ออกแบบดีสามารถดึงความสามารถด้านการให้เหตุผลออกมาจากโมเดลฐานเล็ก ๆ ได้มากกว่าที่เราคิด ส่วนความรู้กว้าง (GPQA 70.2) ยังต้องพึ่งขนาด — สองเรื่องนี้แยกขาดจากกัน และ VibeThinker ทำให้เห็นเส้นแบ่งนั้นชัดขึ้น

สำหรับนักพัฒนาไทยและทีมเล็กใน SEA นี่คือสัญญาณเชิงปฏิบัติที่มีค่า: ถ้างานของคุณคือ “เครื่องให้เหตุผลเฉพาะทาง” — ตรวจพิสูจน์เชิงตรรกะ, แก้โจทย์เชิงสัญลักษณ์, จัดการ pipeline ที่มีคำตอบตรวจสอบได้ — คุณอาจไม่ต้องจ่ายค่า API โมเดลแสนล้านพารามิเตอร์ แต่ fine-tune/รันโมเดล 3B บนการ์ดใบเดียวใน data center ของตัวเองได้ พร้อมลิขสิทธิ์ MIT ที่ใช้เชิงพาณิชย์ได้เต็มที่และข้อมูลไม่ต้องออกนอกองค์กร ในยุคที่โมเดลท็อปอย่าง Fable 5/Mythos 5 ถูกล็อกด้วยมาตรการส่งออกของสหรัฐฯ จนผู้ใช้นอกสหรัฐฯ เข้าไม่ถึง โมเดลโอเพนเวตเล็ก-เก่ง-รันเองได้แบบนี้ยิ่งมีความหมายเชิงยุทธศาสตร์

แต่ก็ต้องเตือนตัวเองเรื่องวินัยการอ่านเบนช์มาร์ก — คะแนน self-reported ที่กระโดดสูสีรุ่นยักษ์ ควรรอการยืนยันจากแล็บอิสระ (เช่น การรันซ้ำบน LiveCodeBench/AIME เวอร์ชันที่ควบคุม) ก่อนปักใจเชื่อ ข้อดีของโอเพนเวตคือใครก็ตรวจสอบเองได้ — และนั่นคือสิ่งที่ชุมชนควรทำกับ VibeThinker ก่อนจะเอาไป production

แหล่งข่าว

• WeiboAI/VibeThinker-3B — Hugging Face (model card)
• VibeThinker-3B: Spectrum-to-Signal post-training pipeline — MarkTechPost
• Why Weibo’s tiny VibeThinker-3B has the AI world arguing over benchmarks again — VentureBeat
• WeiboAI/VibeThinker — GitHub