VibeThinker-1.5B kosztował $7800 i bije DeepSeek-R1

Kolejny dzień, kolejny chiński model AI, który pokazuje, że nie potrzebujesz budżetu Google'a, żeby stworzyć coś imponującego. Weibo – tak, ta sama firma od chińskiego Twittera – właśnie wypuściła VibeThinker-1.5B. To model językowy z 1,5 miliarda parametrów, który w niektórych testach wyprzedza znacznie większego DeepSeek">DeepSeek-R1. Najlepsze? Cały post-training kosztował mniej niż używane BMW.

Model za cenę dobrego laptopa

VibeThinker-1.5B to dopracowana wersja modelu Qwen2.5-1.5B. Powstała za jedyne 7800 dolarów. Dla porównania – to mniej niż miesięczny budżet marketingowy przeciętnego startupu. Weibo udowadnia, że efektywny fine-tuning nie wymaga siedmiocyfrowych inwestycji.

Model jest w pełni open source i dostępny dla każdego. Dział AI Weibo opublikował zarówno kod, jak i szczegółową dokumentację procesu treningowego. Najwyraźniej nie boją się konkurencji.

Warto podkreślić, co dokładnie kryje się za kwotą 7800 dolarów. Mowa tu wyłącznie o kosztach post-trainingu, czyli etapu, w którym bazowy model Qwen2.5-1.5B był dostrajany pod kątem konkretnych zadań. Samo obliczenie, dobór danych i iteracje treningowe – to wszystko zamknęło się w budżecie, który wielu zachodnich badaczy przeznaczyłoby na jeden miesiąc wynajmu klastra GPU. To nie przypadek, lecz efekt świadomego podejścia do efektywności obliczeniowej.

Małe parametry, duże możliwości

Z 1,5 miliarda parametrów VibeThinker przypomina karzeł obok gigantów typu GPT-5 czy Claude. Tutaj jednak rozmiar nie jest wszystkim. Model został zaprojektowany z myślą o konkretnych zastosowaniach, gdzie szybkość i efektywność liczą się bardziej niż uniwersalność.

W benchmarkach VibeThinker radzi sobie lepiej od DeepSeek-R1 w zadaniach wymagających logicznego rozumowania. To pokazuje, że inteligentny fine-tuning potrafi wyrównać różnice w rozmiarze modelu. Mniejsza architektura oznacza też niższe koszty inferencji – model można uruchomić na zwykłym serwerze, bez potrzeby wynajmowania chmury obliczeniowej.

Przewaga w rozumowaniu logicznym to nie drobnostka. Właśnie ta umiejętność decyduje o przydatności modeli w zadaniach takich jak analiza danych, rozwiązywanie problemów matematycznych, weryfikacja faktów czy wspomaganie pisania kodu. W tych obszarach precyzja i spójność myślenia bywają ważniejsze niż szeroki zasób wiedzy ogólnej. VibeThinker celuje dokładnie w tę lukę.

Gdzie VibeThinker ma praktyczne zastosowanie

Mały rozmiar modelu otwiera możliwości, które przy większych architekturach są trudne do osiągnięcia. Oto kilka konkretnych scenariuszy, w których VibeThinker-1.5B może być bardziej atrakcyjny niż droższa alternatywa:

• Urządzenia brzegowe i aplikacje mobilne – model o 1,5 miliarda parametrów mieści się w pamięci urządzeń, gdzie DeepSeek-R1 nigdy nie zagości
• Wewnętrzne narzędzia firmowe – firmy mogą hostować model lokalnie, bez przesyłania danych do zewnętrznych serwerów
• Prototypowanie i szybkie eksperymenty – niski koszt inferencji pozwala na iterowanie bez obawy o rachunek za API
• Specjalistyczne asystenty – po dalszym fine-tuningu model można dostosować do konkretnej dziedziny, np. prawa, medycyny lub finansów

Chińska ofensywa w open source AI

VibeThinker to kolejny rozdział w historii chińskiej ekspansji na rynku otwartych modeli AI. DeepSeek, Alibaba, Baidu – wszystkie te firmy konsekwentnie publikują modele, które konkurują z zachodnimi odpowiednikami. Często przy ułamku kosztów.

Dla deweloperów i firm to dobra wiadomość. Więcej opcji oznacza większą konkurencję, a ta przekłada się na lepsze ceny i szybszy rozwój technologii. VibeThinker może nie zastąpi Ci GPT-5 w pisaniu powieści. Jeśli jednak potrzebujesz szybkiego modelu do konkretnego zadania – warto spojrzeć.

Publikacja pełnej dokumentacji procesu treningowego przez dział AI Weibo to także rzadki gest transparentności. Większość firm traktuje szczegóły fine-tuningu jak tajemnicę handlową. Otwarte udostępnienie metodologii oznacza, że inne zespoły mogą replikować podejście, uczyć się na nim i budować własne rozwiązania. To przyspiesza cały ekosystem, a nie tylko promuje jeden konkretny model.

Efektywność jako nowa przewaga konkurencyjna

Historia VibeThinker wpisuje się w szerszy trend, który zmienia reguły gry w AI. Przez lata panowało przekonanie, że większy model zawsze znaczy lepszy model. Wyścig na parametry – od GPT-3 przez PaLM po GPT-4 – zdominował narrację branżową. Tymczasem coraz więcej dowodów wskazuje, że inteligentne podejście do danych treningowych i architektura dopasowana do zadania potrafią nadrobić ogromne różnice w skali.

7800 dolarów za post-training to nie tylko dobra historia prasowa. To sygnał, że bariera wejścia do poważnego rozwoju AI opada szybciej, niż większość obserwatorów się spodziewała. Zespoły bez dostępu do miliardowych budżetów mogą dziś budować modele, które kilka lat temu wymagałyby infrastruktury na poziomie dużych laboratoriów badawczych.

Jeśli prowadzisz startup lub pracujesz nad projektem AI, VibeThinker pokazuje jasno: nie musisz wydawać fortuny na treningi. Budżet rzędu kilku tysięcy dolarów może wystarczyć, żeby dostosować istniejący model do Twoich potrzeb.

Dla większych graczy to sygnał, że konkurencja w AI przestaje być grą tylko dla najbogatszych. Kiedy model za 7800 dolarów bije droższych rywali, pytanie brzmi: ile naprawdę trzeba wydać, żeby osiągnąć konkretny cel?

Źródła

• VentureBeat AI - Weibo's new open source AI model VibeThinker-1.5B