《AI HOT 0629：Grok 4.5、VibeThinker 与长期任务评测》

导语

这一期 AI HOT 汇总了模型训练、轻量推理模型、路由工具、开发者工作流和长期任务评测。它的共同线索是：AI 竞争已经不只是单次回答能力，而是基础模型、工具链、路由、睡眠管理、商业模拟和游戏执行这些环节一起推进。

1. 模型能力：Grok 4.5 和 VibeThinker-3B 分别代表大模型与小模型路线

• Grok 4.5 基于 1.5T V9 基础模型，并在补充训练中加入 Cursor 数据，目前已在 SpaceX 和 Tesla 私测。初步评估显示，它的性能接近甚至可能超过 Opus；同时，强化学习仍在持续改进模型，Grok Build 工具链也在完善。SpaceX 还计划今年每月发布完全从头训练的新模型。
• 新浪发布仅 3B 参数的 VibeThinker-3B，在 AIME26 等数学编程基准上持平 DeepSeek V3.2 等大 200 到 333 倍的模型，LiveCodeBench 超越所有 20B 以下模型，LeetCode 竞赛解决 123/128 题，超过 GPT-5.2、Kimi K2.5 等。
• VibeThinker-3B 的短板也很清楚：知识密集型 GPQA-Diamond 大幅落后。它基于阿里 Qwen2.5-Coder-3B，经 SFT、强化学习、自蒸馏等多阶段后训练，并提出“参数压缩-覆盖假说”：逻辑推理依赖少数可压缩模式，广泛世界知识仍需要大参数。模型已开源。