<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Weibos &#8211; MEIDCRAFT</title>
	<atom:link href="https://www.meidcraft.de/tag/weibos/feed/" rel="self" type="application/rss+xml" />
	<link>https://www.meidcraft.de</link>
	<description></description>
	<lastBuildDate>Sun, 28 Jun 2026 07:53:29 +0000</lastBuildDate>
	<language>de</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=7.0.4</generator>

<image>
	<url>https://www.meidcraft.de/wp-content/uploads/2020/08/cropped-logo-32x32.jpg</url>
	<title>Weibos &#8211; MEIDCRAFT</title>
	<link>https://www.meidcraft.de</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Kleines Mathe-Modell soll zeigen, dass sich Reasoning auf wenige Parameter verdichten lässt</title>
		<link>https://www.meidcraft.de/kleines-mathe-modell-soll-zeigen-dass-sich-reasoning-auf-wenige-parameter-verdichten-laesst/</link>
		
		<dc:creator><![CDATA[Meidcraft]]></dc:creator>
		<pubDate>Sun, 28 Jun 2026 07:53:29 +0000</pubDate>
				<category><![CDATA[KI News]]></category>
		<category><![CDATA[Milliarden]]></category>
		<category><![CDATA[Parametern]]></category>
		<category><![CDATA[Sina]]></category>
		<category><![CDATA[VibeThinkerB]]></category>
		<category><![CDATA[Weibos]]></category>
		<guid isPermaLink="false">https://www.meidcraft.de/kleines-mathe-modell-soll-zeigen-dass-sich-reasoning-auf-wenige-parameter-verdichten-laesst/</guid>

					<description><![CDATA[Sina Weibos VibeThinker-3B erreicht mit nur drei Milliarden Parametern bei Mathematik- und Coding-Benchmarks das Niveau von Modellen wie DeepSeek V3.2 oder Kimi K2.5, die bis zu 333-mal größer sind. Der Schlüssel liegt im mehrstufigen Post-Training statt in der reinen Modellgröße. Die Forscher leiten daraus eine These ab: Logisches Schlussfolgern lässt sich kompakt komprimieren, breites Weltwissen [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
