أثار تقرير تقني جديد من فريق بحثي تابع لشركة Weibo الصينية اهتماماً واسعاً في مجتمع الذكاء الاصطناعي، بعدما طرح نموذجاً لغوياً صغيراً نسبياً قال إنه يحقق أداءً ينافس أنظمة أكبر بكثير في مجالات الاستدلال الرياضي والبرمجة. النموذج يحمل اسم VibeThinker-3B، ويعتمد على 3 مليارات معامل فقط، وهو حجم يمكن تشغيله على أجهزة محدودة الموارد مقارنة بالنماذج العملاقة التي تتطلب بنى تحتية مكلفة.
ما جعل هذا الإعلان لافتاً لم يكن الحجم وحده، بل النتائج التي نُسبت للنموذج في مجموعة من الاختبارات المرجعية المعروفة. فبحسب التقرير، حقق VibeThinker-3B درجات مرتفعة في مسائل رياضية معقدة، كما قدم أداءً قوياً في اختبارات توليد الشيفرة البرمجية، وهو ما دفع بعض الباحثين إلى التساؤل عما إذا كان القطاع يشهد فعلاً اختراقاً علمياً جديداً أم مجرد مثال آخر على تضخم قيمة المقاييس القياسية.
نتائج تضع نموذجاً صغيراً في مواجهة أنظمة عملاقة
أبرز ما ورد في التقرير أن النموذج الصغير استطاع تسجيل نتائج تقارب أو تتجاوز بعض الأنظمة الرائدة في اختبارات الاستدلال. ففي اختبار AIME 2026 حصل على 94.3 نقطة، وهي نتيجة وضعت الأداء في نطاق يقارب نماذج أكبر بكثير. كما سجل 91.4 في AIME 2025، و89.3 في HMMT 2025، و93.8 في BruMO 2025، و76.4 في معيار IMO-AnswerBench.
وفي مجال البرمجة، قالت الورقة إن النموذج حقق 80.2 في LiveCodeBench v6، إضافة إلى معدل نجاح بلغ 96.1% في مسابقات LeetCode الأسبوعية ونصف الشهرية خلال فترة زمنية محددة بين أواخر أبريل وأواخر مايو 2026. كما سجل 93.4 في معيار IFEval الخاص باتباع التعليمات، ما يشير إلى قدرته على التعامل مع الأوامر المنظمة بصورة جيدة.
هذه الأرقام بدت غير متناسبة مع الحجم الصغير للنموذج. فبالمقارنة، تحتوي بعض النماذج المنافسة على مئات المليارات من المعاملات، بينما يصل بعضها إلى تريليون معامل أو أكثر. هذا الفارق الضخم أعطى الانطباع بأن هناك شيئاً غير مألوف يحدث في طريقة تدريب النموذج أو في طبيعة الاختبارات نفسها.
فرضية جديدة تميز بين الاستدلال والمعرفة العامة
يحاول الباحثون تفسير هذه النتائج عبر ما أسموه فرضية الضغط البارامتري وتغطية القدرات. وبحسب هذا التصور، لا تتصرف جميع القدرات الذكية بالطريقة نفسها عندما يتعلق الأمر بحجم النموذج. فالاستدلال القابل للتحقق، مثل حل مسائل الرياضيات أو كتابة الشيفرة الصحيحة، يمكن ضغطه داخل نموذج صغير نسبياً إذا كانت طريقة التدريب فعالة. أما المعرفة المفتوحة الواسعة، التي تتطلب تغطية ضخمة للحقائق والسياقات والحدود الاستثنائية، فتبقى أكثر اعتماداً على الحجم.
هذا التمييز يفسر، وفق التقرير، لماذا جاء أداء النموذج أقل بكثير في بعض اختبارات المعرفة العامة المتقدمة. ففي GPQA-Diamond، وهو معيار علمي على مستوى الدراسات العليا، حصل VibeThinker-3B على 70.2 فقط، وهو أقل بكثير من النتائج التي حققتها نماذج كبيرة مثل Gemini 3 Pro وClaude Opus 4.5. وبذلك يقر الفريق نفسه بأن النموذج لا ينافس النماذج العامة الشاملة في كل شيء، بل يبرز تحديداً في المهام التي يمكن التحقق من صحتها بسهولة.
خطة تدريب متعددة المراحل وراء الأداء المرتفع
لا يعتمد VibeThinker-3B على تدريب أولي من الصفر، بل يأتي فوق أساس موجود مسبقاً هو Qwen2.5-Coder-3B. ووفق التقرير، استُخدمت سلسلة من المراحل التدريبية اللاحقة لتحسين قدراته في التفكير والاستدلال. تبدأ العملية بضبط خاضع للإشراف على مجموعات متنوعة تشمل الرياضيات والبرمجة وعلوم STEM والحوار والتعليمات، ثم تنتقل إلى مجموعة أصعب وأكثر تعقيداً تركز على المشكلات طويلة الأفق.
كما قام الفريق باستبعاد الأمثلة التي تحتوي على سلاسل تفكير قصيرة نسبياً، إضافة إلى تجاهل المشكلات التي كان النموذج الأصغر السابق قادراً على حلها بسهولة. الهدف من هذا النهج كان إجبار النموذج على التركيز على المسائل الصعبة فعلاً، بدلاً من إهدار القدرة التدريبية على أمثلة بسيطة.
بعد ذلك، انتقل الباحثون إلى مرحلة التعلم المعزز عبر عدة مجالات، مستخدمين خوارزمية طوروها تحمل اسم MaxEnt-Guided Policy Optimization أو MGPO. وتقوم هذه الخوارزمية على تدريب النموذج عند حدود قدرته الحالية، بحيث يتعلم من المسائل التي تقع في منطقة وسط بين السهولة المطلقة والاستحالة الكاملة.
ومن الملاحظ أيضاً أن الفريق عدّل استراتيجيته مقارنة بما استخدمه في الجيل السابق من النموذج. ففي الإصدار الأصغر، كان توسيع نافذة السياق تدريجياً خلال التدريب المعزز فكرة ناجحة، لكن هذه الطريقة جاءت بنتائج أسوأ مع النسخة الجديدة. لذلك قرر الباحثون تثبيت نافذة سياق واحدة بطول 64 ألف رمز طوال مرحلة التدريب.
وفي جزء مخصص للرياضيات، أضاف الفريق مرحلة اسمها Long2Short Math RL، وهي أسلوب يعيد توزيع المكافآت بحيث يكافئ الحلول الصحيحة الأقصر على الحلول الصحيحة الأطول، ما يساعد على تقليل الإسهاب من دون التضحية بالدقة.
أدوات لمكافحة التضليل في التقييم
الجدل حول النماذج الصغيرة لا يتعلق فقط بالإنجاز التقني، بل أيضاً بمصداقية الاختبارات نفسها. كثير من الباحثين باتوا يشككون في أن بعض النماذج تُحسن أداءها على البنشماركات فقط لأنها تدربت بصورة قريبة جداً من نمط هذه الاختبارات، أو لأنها تعلمت أنماطاً متكررة لا تعكس بالضرورة الاستخدام الواقعي.
ولهذا أكدت الورقة أن بيانات التدريب خضعت لعملية تنقية صارمة بهدف تقليل أي تداخل مع مجموعات التقييم. كما أشارت إلى استخدام أساليب تطابق الن-غرام لتقليل احتمال وجود تشابه بين بيانات التدريب والاختبارات.
أحد أكثر عناصر التقييم إقناعاً كان اختبار LeetCode الذي استند إلى مسابقات نُظمت في 2026، أي في تواريخ متأخرة نسبياً يصعب معها الادعاء بأن بياناتها تسربت إلى التدريب. ووفق التقرير، نجح النموذج في اجتياز 123 من أصل 128 محاولة من المحاولة الأولى، وهي نتيجة اعتبرها الباحثون دليلاً عملياً أقوى من مجرد اختبارات قديمة أو شائعة في الوسط البحثي.
ردود فعل متباينة بين الإعجاب والشك
لم تمر النتائج من دون اعتراضات. فبينما رأى البعض أن ما تحقق يعكس تقدماً حقيقياً في كفاءة التدريب والتخصيص، اعتبر آخرون أن النموذج ربما يكون مثالاً على ما بات يُعرف في مجتمع الذكاء الاصطناعي باسم تحسين البنشماركات أكثر من تحسين الاستخدام الواقعي.
ووصف بعض المستخدمين الاختبارات بأنها تميل أحياناً إلى قياس أنماط ضيقة جداً من البرمجة أو حل الأسئلة، بدلاً من تقييم القدرة على العمل داخل بيئات تطوير حقيقية أو مهام إنتاجية معقدة. كما أشار آخرون إلى تجارب عملية أولية لم تكن مطابقة للنتائج المعلنة، ما زاد الشكوك حول الفجوة بين التقييم النظري والأداء في التطبيقات اليومية.
ورغم ذلك، حتى المنتقدين أقروا بأن تحقيق هذه الأرقام عند 3 مليارات معامل يمثل إنجازاً هندسياً لافتاً. فسواء كان الأمر اختراقاً علمياً أو حالة متقدمة من تحسين المقاييس، فإن القدرة على الوصول إلى نتائج قوية بحجم صغير تعني أن الصناعة قد تكون أمام مسار جديد يقلل الاعتماد المطلق على التضخيم المستمر للحجم.
ما الذي يعنيه ذلك لمستقبل النماذج الصغيرة
تتجاوز أهمية VibeThinker-3B مجرد كونه نموذجاً ناجحاً في اختبارات معينة. فالفكرة الأساسية التي يدعمها التقرير هي أن بعض أشكال الذكاء، خصوصاً تلك القابلة للتحقق، يمكن ضغطها داخل نماذج أصغر بكثير مما كان يُعتقد سابقاً. وإذا ثبت ذلك على نطاق أوسع، فقد يغير الطريقة التي تفكر بها الشركات في بناء المساعدات الذكية ووكلاء البرمجة وأنظمة الاستدلال.
هذا الاتجاه قد يفتح الباب أمام بنى هجينة: نموذج صغير يتولى الاستدلال السريع والمنطقي، ونموذج أكبر يوفر المعرفة والسياق والحقائق. مثل هذا التوزيع قد يخفض كلفة التشغيل ويجعل قدرات متقدمة متاحة على أجهزة أقل قوة، بما في ذلك الحواسيب المحمولة وبعض البيئات الطرفية.
لكن الصورة ما زالت غير مكتملة. فالنموذج، بحسب نفس التقرير، لا يبدو بديلاً جاهزاً للنماذج العامة في المهام المعرفية الواسعة، كما أن قابلية تعميم نتائجه على الاستخدام اليومي لم تُحسم بعد. لذلك يبقى VibeThinker-3B أقرب إلى إشارة بحثية مهمة منه إلى منتج نهائي ناضج.
ومع ذلك، فإن الرسالة التي يتركها هذا العمل واضحة: الجدل حول حجم النماذج لم يعد مجرد سؤال هندسي، بل أصبح سؤالاً استراتيجياً حول طبيعة الذكاء الاصطناعي نفسه. هل يحتاج التقدم دائماً إلى مزيد من المعاملات، أم أن بعض أشكال التفكير يمكن صقلها في نموذج صغير نسبياً إذا كانت عملية التدريب أكثر ذكاءً؟ هذا هو السؤال الذي أعاد VibeThinker-3B إلى الواجهة بقوة.