🔥 مدل VibeThinker-1.5B؛ مدل کوچک با عملکرد SOTA در استدلال

مدل VibeThinker-1.5B ثابت می‌کند که لزومی ندارد مدل‌ها غول‌پیکر باشند تا در استدلال بدرخشند. این مدل تنها با ۱.۵ میلیارد پارامتر، نتایجی در سطح بهترین مدل‌های روز به دست آورده است.

🚀 عملکرد
یکی از برترین نتایج در آزمون‌های AIME24/25 و HMMT25
عملکرد بهتر از DeepSeek R1-0120 در مسائل ریاضی
پیشتازی نسبت به مدل‌های هم‌رده در برنامه‌نویسی رقابتی

⚡ کارایی
فقط ۱.۵B پارامتر
یعنی ۱۰۰ تا ۶۰۰ برابر کوچک‌تر از مدل‌هایی مثل Kimi K2 و DeepSeek R1

💰 هزینه
کل هزینه‌ی پست‌ترنینگ فقط ۷.۸ هزار دلار
حدود ۳۰ تا ۶۰ برابر ارزان‌تر از DeepSeek R1 و MiniMax-M1

🧠 مبتنی بر چه ایده‌هایی است؟
این مدل روی دو ایده‌ی کلیدی بنا شده است:
Spectrum-to-Signal Principle (SSP)
MGPO Framework
این دو، فرایند استدلال و بهینه‌سازی را به‌شدت کارآمدتر می‌کنند.

🔗 منابع
📦 Model: https://huggingface.co/WeiboAI/VibeThinker-1.5B

💻 GitHub: https://github.com/WeiboAI/VibeThinker

📄 Arxiv: https://arxiv.org/abs/2511.06221

#AI #LLM #Reasoning #OpenSource #SmallModel

@asrgooyeshpardaz