NVIDIA의 ZPPO는 소형 모델이 과거에 너무 어려웠던 질문들로부터 학습할 수 있게 합니다.

교사(teacher)의 정답을 그래디언트(gradients)에 주입하는 대신, BCQ와 NCQ를 통해 프롬프트(prompt) 내부에 교사를 유지합니다. 이는 온폴리시 학습 (on-policy learning)을 보존하며 31개의 벤치마크에서 GRPO를 능가하는 성능을 보여줍니다.

프로젝트 페이지:
https://byungkwanlee.github.io/ZPPO-page/
논문:
https://paperswithcode.co/paper/2606.182

VibeThinker-3B는 단 3B 파라미터만으로 프런티어 추론 (frontier reasoning) 수준에 도달합니다.

이 모델은 AIME26에서 94.3점, LeetCode에서 96.1%를 기록하며, 수백 배 더 큰 플래그십 모델들을 능가합니다.