“文科生”微博，搞出一个数学学霸大模型

在巨头林立的AI赛场，一个此前可能只配坐“小孩桌”的玩家，正发起挑战。它是身在北京中关村人工智能宇宙中心、却在AI领域一直被认为技术存在感不太强的微博。

近日，微博发布了首个开源模型 VibeThinker，它以15亿的微小参数 与7800美元的极低成本，在国际顶级数学测试中获得相对高分，刷新智能极限。这一结果，无异于以轻巧之姿，刺向了“规模即智能”的行业铁律。

《真故研究室》独家对话了微博首席科学家张俊林。他直言，这是一场突破行业共识的实验。“在此之前，无人相信小模型能解决复杂问题，但VibeThinker证明了可以。” 这场低成本、高智能的奇袭，或许将重新定义AI赛道的游戏规则。

01 夺榜

“当看到VibeThinker在国际顶级数学测试中获得好成绩，我很喜出望外。”在北京的新浪总部大厦，张俊林对《真故研究室》说。

VibeThinker研发周期从今年9月到11月，为期3个月。如很多新发布的大模型一样，它需要通过“打榜”来确定自身“最强大脑”在行业中的卡位。

评估一个新的大模型的逻辑推理能力，业内有三大基础评测，分别是数学、竞赛编程和科学知识。如果得分卡位靠前，相当于一个职场专业人士，拿到某一领域的“职业资格证”。这份成绩既能为企业吸引投资、人才，也能完成对市场的宣传与对普通用户的心智教育。

VibeThinker所获的高评分，主要集中在数学领域的评测上。大模型数学领域的三个高难度测试集分别是AIME2024、AIME2025和HMMT2025。这些测试集以复杂性和挑战性著称，常用于评估大模型的数学推理能力。

其中，AIME全名叫“美国数学邀请赛”，始于1983年，由美国数学协会制定和主办，一般是由30道填空题组成。

HMMT全名叫做“哈佛-麻省理工数学锦标赛”，始于1998年，由近50道数学题组成。它是一项面向高中生的、最具挑战性的团队国际数学竞赛之一。HMMT题目难度被认为大于AIME。

作为两项极具挑战性的人类数学考试，AIME和HMMT旨在从大量数学能力优秀的学生中，精准筛选出极少数的数学顶尖精英。如今用在大模型评测中，也被寄予发挥 “过滤器”和“强化器”的作用，很自然地成为了评估大模型高级推理能力的“试金石”和“标杆”。

张俊林透露，VibeThinker在AIME2024（即2024年度）、AIME2025（即2025年度）和HMMT2025在三个测试集中的得分，分别是80.4分，74.4分，50.5分。

图  | VibeThinker在测试集中的得分，源自张俊林微博 

“这并不是说，VibeThinker的得分是行业中最高的，而应该相对来看。”他将通过这三项数学测试的各类大模型，从能力上分为三档。 

以AIME2025为例，通过该数学测试集的大模型最高得分为95分。获得平均90分以上的玩家，仍是以参数量超过1000亿或接近1000亿的超大模型为主，比如智谱的GLM-4.6（3550亿参数）、Kimi-K2 thinking（10000亿参数）、GPT5、Gemini 3.0 Pro，是为第一档。

图  | AIME2025数学测试集 

第二档平均为88分，获得这一分数的模型主要有Gemini2.5 Pro、Open AI的O4系列模型。

与之比起来，VibeThinker在AIME2025中评分为74.4分，与前两个档位的模型还是有显著差距，但它胜在模型参数只有15亿，基本上属于最小模型。

在这个所谓第三档的圈层里，年初发布的DeepSeek-R1得到70分，但R1参数高达6850亿，是VibeThinker参数量的数百倍。VibeThinker的评分也接近于参数为4560亿的MiniMax-M1所获评分，显示出微博凭借技术攻坚在数学领域方面，以小模型刷新了智能极限。

图  | HMMT2025数学测试集 

“大模型一般分为文科智能和理科智能。文科智能就是看大模型写文章是否有文采。在数学测试中评分高，意味着理科智能高。但它不是意味着自己要成为一个垂类的数学大模型，而是类似于人们常说的‘学好数理化，走遍天下都不怕’，数学能力是大模型推理能力的重要基础。”张俊林说。

理科智能高，训练成本也创新低。据披露，VibeThinker的后训练成本（指大模型在预训练完成后，通过指令微调、对齐优化等过程中产生的成本）只有7800美元。张俊林有测算，大约比DeepSeek-R1的后训练成本降低了40倍，性价比突出。

至此，在中国已发布的1509个大模型中（新华社7月发布），VibeThinker至少在数学测试子集中，以自己“以小博大”的成绩和“较高的理科智能”占据了一席之地。

微博，这个被认为正在努力用AI改造平台基因的企业，也终于在继此前发布的知微大模型之后，有了第二张具备辨识度的大模型产品。

但张俊林也强调，“ViberThinker目前拥有的这份能力局限于数学和竞赛编程方面的推理，我们没有用聊天数据调整模型，暂时还不适合用于日常对话，还需要进一步训练。”

攻坚

VibeThinker在AIME2025的测评中，74.4分是如何达到的？

张俊林的答案是：从4分开始往上提的。

作为大模型行业中的“轻量级选手”，VibeThinker挑战高度智能，并不被祝福。因为行业普遍认为，要实现复杂的推理能力，需要1000亿以上的参数才能涌现（1000亿为大模型的入门门槛），而10亿左右及以下的小模型，通常因为无法处理高难度问题而被视为“天生不足”。

不过，这恰好是张俊林希望通过探索新知、来挑战行业传统观点的爽点所在，也是他愿意在微博待多年的原因之一。当初做自然语言处理和检索结合出身的他，认为微博有两个长处。一是社交数据丰厚且开放，这是重要的战略资源，二是微博愿意给出“新课题探索空间”。

数个月前，VibeThinker项目开始启动，整个研发难度呈现出“先易后难”的走向。

一开始，张俊林团队先是利用阿里千问大模型做了一个基础模型（Foundation Model）。相当于先拿到了一块原生矿石，接下来就是要对这块矿石进行雕琢、加工，进行所谓的“后训练”（模型微调、对齐），来生成属于自己的青铜器。

张俊林团队用这个基础模型，先在AIME2025的部分子集做了测试，得分只有四点几分。接下来要做的，就是对这块原生矿石进行训练，提高它的解题和推理能力。

从4分多提到50分是相对容易的，张俊林团队使用的训练方法是改进版本的GRPO 强化学习算法。

GRPO强化学习算法由Group（分组） + Relative（相对） + Policy Optimization（策略优化）这几个词组成，此前行业内更多用于模型训练的框架是RLHF，即人类反馈强化学习。

两个模型的训练机制有区别。AI研发工程师们为了训练一个好的模型，通常需要建立相关的奖惩机制。RLHF机制，是通过雇佣一个考官（即先训练一个奖励模型），根据标准答案，给被训练模型的每一个步骤打分，从而实现训练。但缺点是成本高，训练不太稳定。

而GRPO 训练法，则是建立了一套新的训练机制，让这个学生（即被训练模型）比昨天的自己考得更好，相当于内生驱动。这一框架优点是成本低、训练稳定，效果卓越。

借助GRPO强化学习算法，VibeThinker快速从4分攀上了50多分，但之后的路越来越难走。张俊林明显感受到，“每攀1分都变得困难，有时候就像卡在楼梯上，不知道如何才能突破。”

张俊林认为，“与做AI应用强调效果的确定性不同，做AI基础研究是不确定的，谁都不知道结果会怎样。”

这里所谓的“AI基础研究”，指的是行业内并不知道15亿参数的最小模型，它的智能上限在哪？

“是50分就已经是上限了，还是能更高。”每一分所代表的节骨眼，考验的是AI工程师们的决断——是继续往上攀，还是就停在楼梯的这一层。

像给一个孩子提高考数学分那样，张俊林每日提早1-2小时、约摸8点左右到办公室，通过阅读行业内每日发布的最新论文来获得“外部智援”。

据他的阅读观察，AI行业每日发布的论文以千篇计，其中有关深度推理的论文，从每日7、80篇到300多篇计。张俊林阅读的速度极快，会先看标题和摘要来做内容判断，但他发现，99%以上的论文并不具备解决一线开发者问题的落地能力。

他只好采用最朴素的方法——试错，张俊林把这叫做“自我改进”。通过在研发过程中，尝试多个训练方法，来一分一分地争取。有点像数学高考前的冲刺，50冲到100分或是难度可控的，但100冲到110分，方法将从普适经验转向个人方法创新。

在这个过程中，张俊林团队提出了一个名为“频谱到信号原理”（简称SSP）的方法来训练大模型。行业内有相关提法，但并未有专门论文论述。真正把原理付诸独家实操的，正是VibeThinker。

也正是借助这个训练方法，VibeThinker大模型的数学能力，最终战胜了超越其数百倍体量的“巨人”。

所谓“频谱到信号原理”方法，其核心要义是张俊林团队重新思考和确立了SFT和RL两步训练的关系。

SFT是“监督微调”（Supervised Fine-Tuning）英语的缩写，旨在让基础大模型这一原生矿石，进一步适应特定领域的训练，打好基础，比如让VibeThinker打好数学基础。

RL是“强化学习”英语（Reinforcement Learning）的缩写，其核心思想是通过奖励机制引导模型的行为，让大模型的答案生成更加符合人类的偏好，从而提升回答的质量、安全性等。

张俊林认为，行业内一般通行做法，是SFT训练在前、RL在后，两者目的殊途同归，都是为了提升模型生成内容的准确性。但他觉得SFT+RL的模式问题在于，两者优化目标都一样，没有体现出区别和配合，SFT和RL两个阶段都是在优化Pass@1（行话，即重视第一个回答的准确率），相比RL来说，SFT 本身就比较缺乏探索性，如果这么做，接在SFT后面的RL探索空间就很小，这会阻碍模型的效果。

他的做法是尝试将RL和SFT进行分工合作，SFT应该配合RL，优先优化Pass@K（行话，即重视模型的一题多解能力），先把解决问题的多样性做好，这样才能为后续RL打开探索空间。

“这个做法就有点像推荐系统里的‘召回+排序’两阶段流程，召回负责多样性，排序负责精准性，是一种频谱到信号原理的呈现。”张俊林表示。

类似于训练一个学生的解题能力，先注重提升他的解题思维和方法，再来实现解题正确性的提高——即先锻炼思维、再实现结果。

张俊林团队经过实操发现，“这样能提高小模型的训练效果”，也正是经过这一操作，张俊林团队成功将VibeThinker在AIME2025的得分，从50多分一点一点提升至74.4分。

其实，通过类似这种模型训练方法的创新来实现降本增效，已成为行业共识。如“知识蒸馏”就被认为是模型训练的一种战术级创新。

而微博张俊林团队的“频谱到信号原理”创新，无疑给行业内又贡献了一套新的选择方案，属于一种大模型建造流程的重新思考，进一步改变了传统模型训练单纯靠堆算力、堆参数、烧钱来实现胜出的惯性依赖。

VibeThinker将科研成果以合适方式对海内外业界进行了详细说明，尤其在海外产生了广泛影响，吸引诸多权威科技媒体前来报道。张俊林远在美国Meta的朋友来电，希望用频谱到信号原理的方法，来复刻相关模型。

图  | VibeThinker大模型的推出，在海外也引发广泛关注 

应用

VibeThinker的实践，推翻了行业内的固有结论——小模型难以具备高度的推理能力。

张俊林表示，“VibeThinker是开源十分彻底的模型，将有助于微博平台继续生成各类AI应用，也能将技术红利外溢给其他主体，尤其是中小企业，完全可以在VibeThinker基础上进行再开发，服务于自己的业务。”

实际上，微博做VibeThinker并非来自于天马行空的“前沿未知探索”，它的出发点，主要来自于要服务微博平台内一项很实际的应用需求——即评论罗伯特。

评论罗伯特，是微博在2023年7月上线的一款AI机器人。人如其名，它的活跃区域是评论区，其具体运作机制，最先是基于微博自研的闭源大模型——知微大模型，来深度学习微博用户发布的各类帖子，从而生成评论贴，与用户形成互动。

诞生之初，评论罗伯特以横冲直撞的魔童风格，生成各类评论，一度成为社交话题。

图  | 评论罗比特，微博用户大多遇到过 

评论罗伯特，并非微博自上而下策划的公司S级项目，而只是来自微博公司内周期性举办的“AI创新大赛”。在ChatGPT诞生以后，微博鼓励员工以2-3人为单位，为平台内可能的AI应用提出创意。

评论罗伯特，就是诸多方案之一。它并未在员工创意方案评选中获得大奖，但反而微博以“试一试”的心态，意外将它从创意落实成了具体产品。

支持评论罗伯特运行的大模型，于今年6月，融合了类似DeepSeek-R1模型的深度思考能力，目的是借用其深度学习与思考能力，提升回复的逻辑深度和个性化水平，让用户的体验更好。

但这也带来相应的问题。因为模型规模比较大，每进行一次深度思考与回复，耗时长，使用成本也偏贵。有公开报道称，DeepSeek-R1每次推理时激活的参数量为370亿，占总参数量5.5%，虽然在“干活”时已经实现了降本增效，但仍然成本不算便宜。

微博方面透露，评论罗伯特每天大约要生成百万条AI评论，且专挑粉丝数只有几百人的微博普通用户，追求给很多情绪低沉的用户以心理抚慰。

看似只有“一位罗伯特”在干活，实际上这一应用背后有6、7位Agent来负责操作。有的Agent专职遴选粉丝数只有数百人的微博用户，有的Agent负责学习用户帖子乃至发的图片内容，有的Agent负责生成评论。甚至连评论风格又被细分为数个Agent负责，有的负责娱乐线、有的负责科技线，有的负责犀利派评论，有的负责温情派留言。

张俊林恰好也是评论罗伯特项目的负责人。因应项目需求，开发一款参数更小、使用成本便宜、但智能还能保持较高水平的大模型，成了最直接的需求。这才有了VibeThinker模型的诞生，也才有了张俊林团队为期3个月的“数学能力攻坚战”。

回想起这三个月，张俊林坦言，“脑袋转不动、情绪低沉”的时刻常有，但作为一名AI研发者，面对万般困难，核心开发者的解题思路，朴素得出奇。

“遇到问题、头脑风暴、思考解决方案、然后进行试错，此路不通，换一条试试，大家彼此用理性说服”，几乎就是这样一条平平无奇的路径。这本质上也是AI研发工程师们一种被数学牵引的思维之光。

目前，微博平台内已实现开源模型与知微大模型的“双模型引擎”。前者还在负责微博平台内另一款广受欢迎的AI应用——微博智搜，它与评论罗伯特，成为微博AI应用的两块看板，进一步激活了微博已有生态。

据微博发布的2025年Q3财报，微博智搜MAU突破7000万，DAU和检索量环比提升超过50%。至于评论罗伯特，虽然有的用户对与评论罗伯特的互动并不感冒，但张俊林曾在内部做过A/B测试。在导入评论罗伯特之后，微博的用户活跃有了提高，平台内的社交氛围得到了改善。而普通人社交，恰好是微博平台需要补强的地方。

张俊林表示，接下来会基于VibeThinker探索出的技术，一方面融入微博领域数据提升现有AI应用的效果，一方面减少模型参数大幅节省应用成本。同时VibeThinker也将进一步训练，摸索在其它方面提升智能的方法。他也欢迎平台外主体能活用其相关成果，进一步对自身业务主体进行降本增效与应用赋能。

最后，他也总结了小模型的未来：“从罗伯特中来，到罗伯特们中去。”类似于大家耳熟能详中的那句话，从群众中来，到群众中去，AI用起来方便、便宜、能成事才是最关键的。

本文来自微信公众号 “真故研究室”（ID：zhengulab），作者：龚正，36氪经授权发布。