نموذج VibeThinker-3B من Sina يثبت أن الاستنتاج يُضغط بشكل أفضل من المعرفة

أطلقت Sina نموذج VibeThinker-3B، وهو نموذج لغوي صغير يتحدى قوانين التوسع التقليدية من خلال مضاهاة النماذج الضخمة في مهام الاستنتاج المعقدة. يشير هذا الاختراق إلى أنه يمكن تكثيف الذكاء المنطقي في بصمة بارامترات ضئيلة، حتى لو ظل الاتساع المعرفي مرتبطاً بحجم النموذج.

تحدي قوانين التوسع: التميز في الرياضيات والبرمجة

النتائج التقنية لنموذج VibeThinker-3B مذهلة. فعلى الرغم من امتلاكه ثلاثة مليارات بارامتر فقط، إلا أن النموذج يؤدي بمستوى يضاهي العمالقة مثل DeepSeek V3.2 وKimi K2.5 في اختبار AIME26—وهي نماذج تمتلك بارامترات أكثر بمقدار 200 إلى 333 مرة.

وفي اختبار LiveCodeBench، يتفوق VibeThinker-3B على جميع النماذج الأخرى التي تقل عن عتبة الـ 20 مليار بارامتر. ولضمان أن هذه النتائج لم تكن مجرد نتاج لتلوث البيانات، اختبر الباحثون النموذج في مسابقات LeetCode التي أقيمت في منتصف عام 2026، أي بعد انتهاء تدريبه بفترة طويلة. وفي هذه الاختبارات، حل النموذج (3B) 123 مسألة من أصل 128 من المحاولة الأولى، مما وضعه في مقدمة المنافسين الثقلاء مثل GPT-5.2 وQwen3-Max.

فرضية الضغط والتغطية البارامترية

تكمن المساهمة الأبرز لهذا البحث في تقديم "فرضية الضغط والتغطية البارامترية" (Parametric Compression-Coverage Hypothesis). حيث يرى باحثو Sina أن قدرات الذكاء الاصطناعي المختلفة تتوسع بشكل متفاوت.

يعتمد الاستنتاج المنطقي—الذي يتميز بحل المشكلات خطوة بخطوة، وتصحيح الأخطاء، ومطابقة الأنماط—على مجموعة محدودة من الهياكل المتكررة. وهذا يسمح بضغط "الاستنتاج" بشكل كبير داخل نواة نموذج مدمجة. وعلى العكس من ذلك، تتطلب المعرفة الواقعية "تغطية" واسعة. وللإجابة على الأسئلة المفتوحة عبر مجالات متنوعة، يحتاج النموذج إلى عدد هائل من البارامترات لتعمل كمستودع لحقائق العالم. ويتضح هذا من فجوة الأداء في VibeThinker-3B: فبينما يتفوق في الرياضيات والبرمجة القابلة للتحقق، فإنه يتراجع بشكل ملحوظ عن النماذج الأكبر في اختبار GPQA-Diamond الغني بالمعلومات.

دقة ما بعد التدريب: السر الكامن

تم بناء VibeThinker-3B على نموذج Qwen2.5-Coder-3B من Alibaba، ولكن القفزة في الأداء تُعزى إلى مسار ما بعد التدريب المتطور من Sina. فقد ابتعد الفريق عن التركيز على الحجم المجرد، وركز بدلاً من ذلك على جودة البيانات وإشارات التحقق من خلال عدة مراحل مكثفة:

• الضبط الدقيق الخاضع للإشراف على مرحلتين (SFT): التدريب على مجموعة واسعة من مهام الرياضيات والبرمجة والحوار العام.
• التعلم التعزيزي متعدد المراحل (RL): مصمم خصيصاً للرياضيات والبرمجة ومجالات STEM لتعزيز مسارات الحل الناجحة.
• التقطير الذاتي (Self-Distillation): دمج المهارات من مراحل الاستنتاج المختلفة في نموذج واحد فعال.
• ضبط التعليمات (Instruction Tuning): مرحلة نهائية لضمان الالتزام الصارم بتعليمات المستخدم.

لماذا يهم هذا قطاع الذكاء الاصطناعي

يشير هذا التطور إلى تحول في كيفية رؤية المطورين للنماذج "الصغيرة". فهي لم تعد مجرد بدائل خفيفة الوزن ومنخفضة التكلفة للمهام البسيطة؛ بل أصبحت مراكز قوة متخصصة لسير العمل القائم على المنطق والقابل للتحقق. ومع توجه الصناعة نحو الذكاء الاصطناعي الوكيل (agentic AI)—حيث يجب على النماذج الاستنتاج عبر عمليات متعددة الخطوات—فإن القدرة على حزم المنطق عالي المستوى في نموذج بـ 3 مليارات بارامتر توفر مساراً نحو ذكاء متخصص ومحلي وعالي الكفاءة لا يتطلب مراكز بيانات ضخمة للعمل.

النقاط الرئيسية

• الاستنتاج قابل للضغط: يثبت VibeThinker-3B أن المنطق الرياضي والبرمجي المعقد يمكن حزمه في نموذج 3B، مما يجعله ينافس نماذج أكبر بمئات المرات.
• المعرفة تتطلب التوسع: بينما يتوسع الاستنتاج بكفاءة، لا تزال "التغطية" الواقعية تتطلب أعداداً كبيرة من البارامترات لمنع انخفاض الأداء في اختبارات المعرفة العامة.
• ما بعد التدريب هو الأساس: يعود نجاح النموذج إلى التعلم التعزيزي المتخصص متعدد المراحل والتقطير الذاتي، بدلاً من حجم التدريب المسبق المجرد.