Jiayun's Blog

📌 好文共赏 · 论文导读 | Paper Pick

📄 论文：Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling · arXiv 2605.13301
👥 作者：Yafu Li, Runzhe Zhan, Haoran Zhang, Shunkai Zhang, Yizhuo Li et al.（上海 AI 实验室 / 香港中文大学 / 清华大学 / 上海交大 / 北大）
📅 发布：2026-05-13 | 多模评分：综合 8.67 / 10（Opus 8.75 · Sonnet-equiv 8.25 · Gemini-equiv 9.0）
✍️ 一句话：一份200 步 RL 就能把 30B-A3B 开源 MoE 推到 IMO 35/42、USAMO 35/42、IPhO 双金的统一配方——开源世界第一次在自然语言路线上摸到奥赛金牌带。

1 · 这篇论文到底在解决什么问题

奥林匹克级别的数学/物理题，是 LLM 推理研究里最严酷的压力测试。它要求模型同时做到四件事：在巨大解空间里搜索、精确控制每一步假设、对中间结论做自我验证、最后给出能扛住严格人类阅卷的完整论证。过去一年这条战线上跑出了两类系统：一类是 AlphaGeometry / AlphaProof / Gemini Deep Think 这种 “重型混合体”——要么神经-符号缝合、要么 Lean 形式化、要么是闭源的超大模型加海量搜索；另一类是 DeepSeek-R1、OpenAI o1/o3、DeepSeekMath-V2 这种"靠大 RL + 长 CoT"路线。前者复杂且大多闭源，后者动辄 0.7T+ 参数。

SU-01 的作者把问题问得很尖锐：一个 30B 量级的开源 MoE，能不能用一个"一份配方走到底"的统一管线，被推到奥赛金牌线？ 而且这份配方应该跨数学和物理通用，不依赖几何 DSL、不依赖 Lean、不依赖闭源 frontier teacher 做无限蒸馏。

“A central question is therefore whether a reasoning backbone can be pushed to olympiad-level performance with a compact, domain-unified recipe that applies the same reasoning-centric pipeline across mathematical and scientific problems.” —— §1

他们给的答案是一份 “specializable-generalist” 管线：从一个已经会"长思考"的后训练模型 P1-30B-A3B 出发，先用一次反向 PPL 课程 SFT 重塑证明搜索 + 自检查行为，再用两阶段 RL（先看答案对错、后看证明质量）把这些行为放大到奥赛强度，最后用 Solve→Verify→Refine 的测试时循环把胜率再压一档。整套方法只跑 200 步 RL、64 张 GPU，模型与代码声明已开源。

这件事在 2026 年 5 月的 LLM 生态里意义不小：一直以来，奥赛金牌都被"闭源大模型 + 巨型搜索"垄断；SU-01 把推理金牌线第一次稳定地放进 30B-A3B 这个普通团队也复现得起的尺寸，并且证明配方本身能跨 math/physics/chemistry/biology。这是后训练-RL-推理时 三件套集成水平的一次跃迁，而不是某个单点创新。

2 · 核心方法用人话讲清楚

2.1 总体管线鸟瞰

四个阶段串成一条不分叉的流水线：

1
2
3
4

┌──────────────┐   ┌────────────────┐   ┌──────────────────┐   ┌─────────────────────┐
│ P1-30B-A3B   │──▶│ ① 反向 PPL SFT │──▶│ ② Coarse RL      │──▶│ ③ Refined Proof RL  │──▶ ④ TTS
│ MoE 起点     │   │ 338K 轨迹      │   │ 96 步 / 答案奖励 │   │ 104 步 / 证明奖励   │
└──────────────┘   └────────────────┘   └──────────────────┘   └─────────────────────┘

每一段都不是发明算法，而是用一种精确的顺序与精确的剂量把已有零件拼出新效果——这是阅读这篇论文最关键的认知。

2.2 反向 PPL 课程 SFT——为什么"难的先教"

传统课程学习是 easy → hard：先让小学生背乘法表，再做应用题。SU-01 反过来。原因是它的起点 P1-30B-A3B 不是空白模型，而是已经会做物理奥赛的后训练 MoE。这种模型最大的风险不是"学不会"，而是被一坨"看上去差不多"的轨迹平庸化——长 CoT SFT 把它原本生动的搜索/自检查能力磨平。

具体操作是：

1. 用 SFT 起点策略 $\pi_0$ 给所有 338K 训练样本算长度归一化 PPL：

$$ \mathrm{PPL}(x_i, y_i) = \exp!\Big(-\tfrac{1}{T_i}\sum_t \log \pi_0(y_{i,t} \mid \cdot)\Big) $$

2. 每个 epoch 把样本按 PPL 降序排好——高 PPL（陌生）的轨迹先教，低 PPL（熟悉）的轨迹尾段巩固。

3. 共 4 个 epoch，rollout 顺序锁定不打乱。

效果在论文 Fig. 6 的消融里非常直观：

最让人意外的是 truncation rate（“无尽推理"截断率）从 8% 直接掉到 0%——这意味着反向课程不仅没让模型崩，反而显著抑制了长 CoT 的失稳。论文给的解释是：先用陌生轨迹塑形长 CoT 结构，再用熟悉轨迹收尾，比反过来更不容易把模型推进"模仿但失控"的吸引盆地。

SFT 数据本身也值得拆一拆，338K 条轨迹的组成是论文给的真正配方：

注意自改进数据占近一半——这是论文一个常被忽略的关键决策：Self-Verify 和 Self-Refine 不是"额外加点”，而是几乎和原始题解等量级的训练信号。后面 TTS 阶段做的 Solve → Verify → Refine 循环，本质就是把这块 SFT 内化的能力在推理时再放大一次。

2.3 Coarse RL——先把"答题力"找回来

SFT 之后会发生一件反直觉的事：AnswerBench 从 69.2 掉到 59.8（−9.4）。这是 Luo et al. 2025 描述的 “long-CoT through-the-valley” 现象——长 CoT SFT 会先让小一点的模型变笨，然后才在 RL 中爬出谷底。SU-01 的第一阶段 RL 就是为这个山谷量身定做的。

算法用的是 GSPO（Group Sequence Policy Optimization）。它和大家熟悉的 GRPO 的区别有两条要点：

• 优势只减组均值，不除 σ。$\hat A_i = r(q,o_i) - \tfrac{1}{K}\sum_j r(q,o_j)$。论文实测：长 CoT 下 σ 的统计噪声大，反而扰乱方向。
• 重要性比是序列级、长度归一化的： $$s_i(\theta) = \exp!\Big{\tfrac{1}{|o_i|}\sum_t \log\tfrac{\pi_\theta(\cdot)}{\pi_{\theta_\text{old}}(\cdot)}\Big}$$ 一条 100K token 的证明只产生一个标量比值，不容易在 token 级累乘到爆炸。

奖励是纯二值的，但 verifier 设计成三层级联——这是工程上最干净的部分：

1
2
3
4
5

[1] 规范化字符串匹配  (高精度规则)
        ↓ unresolved
[2] Math-Verify       (符号 / 代数等价)
        ↓ unresolved
[3] gpt-oss-120b      (生成式裁决兜底)

数据池是 8,967 条 verifiable prompts（数学 + 物理），96 步 GSPO，K=8 rollout，最大响应 160K token。还有一个不显眼但关键的细节——MoE 路由器在 RL 阶段冻结。原因是 GSPO 用的是回放/重要性比，而 MoE 路由会改变同一 token 走哪个 expert，等价于改变了被采样策略本身。冻结路由器才能让"过去采的 rollout 还能按当前权重做公平评估"。

Coarse RL 跑完，AnswerBench 从 59.8 飙回 77.2（+17.4），ProofBench-Basic 从 57.6 拉到 76.7（+19.1），ProofBench-Advanced 从 14.8 到 25.2（+10.5）。山谷被填平了。

2.4 Refined Proof RL——把奖励从"答案"换成"完整证明"

这是 SU-01 真正能拿金牌的一节。奥赛阅卷不是看你最后写了哪个数，而是看你怎么证出来的。 RLVR（可验证奖励 RL）能让模型答对，但不能保证证明严密。

所以 Stage 2 把奖励换成 DeepSeekMath-V2 的生成式 proof judge：它读完题目和完整证明，给出二值 $r_{\text{proof}} \in {0,1}$，看的是 CoT 是否有效、证明是否完整、是否严密。物理题继续用可验证奖励，证明题改用这个生成式 judge。这块部署在 32 张 GPU，用 EAGLE-MTP 3 步投机解码加速。

但生成式 judge 有两个先天问题：(1) 容易被攻击（reward hacking——模型学会"格式畸形"骗高分），(2) 训练信号噪声更大。SU-01 给出两个干净的对策：

对策一：反 hacking 输入预处理。送 judge 之前，若 rollout 出现 chat template 泄漏、\boxed{} 未闭合、或严重 n-gram 重复，就用占位答案替换。作者明白地承认这只是"部分缓解"——这是论文最坦诚的一段。

对策二：经验重放 + 自精修双管齐下。

• 经验重放：维护一个缓冲池 $\mathcal{E}$。准入条件是"难但可解"——组内成功数 $0 < n^+(q) < 2$。退役条件是 $n^+(q) \geq 4$（成功率 ≥50%，已经学会，删掉省 token）。从同一道题历史成功轨迹里挑当前策略熵最小那条 $o^* = \arg\min_o \mathcal{H}(o; \pi_\theta)$ 作为"教科书"。重放占比 $\rho = 0.25$。
• 自精修：当 batch 内某组平均奖励 < 0.5，把失败 rollout 改成"原题 + 错误草稿 + 修正提示"的新 prompt，按 $\eta_{\text{ref}} = 0.20$ 注入。关键约束：失败的修正不再递归入队——避免在不可学的题上烧 token。这一句限定避免了 self-improvement 工作里常见的"螺旋式下降"陷阱。

混合目标长这样：

$$ \mathcal{J}{\text{refined}}(\theta) = (1-\rho),\mathbb{E}{\mathcal{B}{\text{fresh}}}!\big[\mathcal{J}{\text{GSPO}}\big] + \rho,\mathbb{E}{\mathcal{B}{\text{exp}}}!\big[\mathcal{J}_{\text{GSPO}}\big] $$

104 步跑完，ProofBench-Advanced 从 25.2 飙到 38.1（+12.9）——而 ProofBench-Basic 几乎没动（76.7→77.1）。这说明 refined RL 的边际效用只在最难的证明上兑现，正是设计意图。

2.5 Test-Time Scaling——模型自己当 verifier 跑闭环

TTS 在 SU-01 里不是 best-of-N，也不是简单的 majority vote。它是一个 Huang & Yang 2025 风格的 Solve → Refine → Verify → Verdict 循环，再外加并行运行：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

对每道题 q:
  并行启动 10 条独立 run
  每条 run 内部循环（最多 30 轮）:
       draft  = Solver(q, history)
       draft' = Refiner(draft)
       bug    = Verifier(draft')
       if bug == "no critical":
            success_streak += 1
            if success_streak == 5:  return ACCEPT
       else:
            fail_streak += 1
            if fail_streak == 10:  return ABORT

三个魔法常数：5 次连续通过才接受，10 次连续失败就停，30 轮内一定终止。其中"必须连续 5 次通过"是关键——它把 verifier 的随机噪声压平到 $\sim 1/32$ 数量级，同时也让"靠运气蒙过验证一次"的轨迹无法被采用。

token 预算很可观：solver 中位 106K、refiner 中位 83K、verifier 中位 28.7K，单题最坏情况要烧到数千万 token级。这是工程上需要正视的代价。

最后的成绩：

注意 IPhO 两届 不开 TTS 就已经金牌——证明这套统一配方在物理域是真的迁移了，不是只为数学定制。

3 · 实验结果亮点（我提炼的版本）

3.1 阶段性增益分布——增量是"分工"而非"叠加"

如果把 SU-01 拆开看每阶段对哪个 benchmark 贡献最大：

1
2
3
4
5
6

                Answer  Proof-Basic  Proof-Advanced
起点 P1-30B-A3B   69.2    33.8         6.2
  +SFT          -9.4    +23.8        +8.6      ← 拉证明基础, 损失答题
  +Coarse RL   +17.4    +19.1       +10.5      ← 答题回血 + 双线推进
  +Refined RL   +0.3     +0.5       +12.9      ← 专攻最难证明
  +TTS           —      +13.8       +11.4      ← 验证循环再加一档

阶段间不是简单"加得多就好"。Coarse RL 几乎不动 Answer 数字的剩余空间（已经 77.5 了），Refined RL 又几乎不碰 Basic（已经 77.1）。每一阶段在恰好它该擅长的位置发力——这是配方设计成熟的标志，也是为什么作者敢叫它"unified scaling"。

3.2 同尺寸开源对手的位置

把 IMO-ProofBench Overall 按尺寸分组看：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

30B-A3B 级（开源）:
  ▢ Qwen3.6-35B-A3B          23.1
  ▢ Nemotron-Cascade-2       52.9
  ▢ P1-30B-A3B (起点)        20.0
  █ SU-01                    57.6  (+TTS  70.2)

frontier 闭源:
  ▢ DeepSeek-V3.2-Speciale   56.0
  ▢ Gemini-2.5-DeepThink     60.7
  ▢ Gemini 3.1 Pro Thinking  72.6
  ▢ DeepSeekMath-V2 Heavy    80.5
  ▢ GPT-5.5-High             80.7

最让人震动的是 SU-01 直接（不开 TTS）就超过 DeepSeek-V3.2-Speciale——后者是当前公认的高质量推理模型；而 + TTS 之后逼近 Gemini 3.1 Pro Thinking（72.6），只剩 GPT-5.5 这种 frontier 闭源还有明显领先。同尺寸（30B-A3B）开源里没有第二个能上 50 分的。

3.3 USAMO 2026 单人最高

USAMO 2026 共 340 名人类选手，金线 25、银 18、铜 11，人类单人最高分 35。SU-01 + TTS 拿 35，与人类冠军并列第一。这是论文里最容易被截屏发推但也最值得严肃看待的一项数据：因为 USAMO 是直接采用人类阅卷标准的官方题（论文这次是请人类评分而非 judge 模型），它直接对比的是同一份阅卷规则下机器和顶尖高中生的差距。

3.4 跨学科迁移——FrontierScience-Research

只在 math + physics 训练，却在 chemistry / biology 出色：

绝对值不高（GPT-5.5-High 是 36.7），但SU-01 是同尺寸开源最强。这暗示着 SU-01 学到的不只是"奥赛 trick"，而是"严谨推理"这一更通用的能力——这点对后续走 chemistry/biology RL 的工作非常重要。

3.5 长 CoT 工程化的成熟度信号

论文给出几个量化"长 CoT 成熟"的细粒度指标，比堆 benchmark 更值得品：

• 训练截断率 < 5%（论文自定义的 SFT 收敛信号）
• TTS solver 中位 106K tokens / refiner 83K / verifier 28.7K
• 单条 rollout 稳定运行到 256K tokens
• 验证连续 5 次通过 / 10 次失败的双阈值

这些数字单独看像工程参数，但合起来表明：SU-01 已经把"长 CoT 推理"当成可调度、可监控、可控成本的稳定服务对待，而不是停留在"凑出一次成功"的演示态。

4 · 这篇论文的位置（关联图谱）

上游——SU-01 站在谁的肩膀上

• GRPO / GSPO 谱系：Shao et al. 2024 的 GRPO 把 PPO baseline 换成组内均值；Zheng et al. 2025 的 GSPO 进一步把 importance ratio 拉到序列级。SU-01 直接采用 GSPO 而不发明新算法。
• DeepSeek-R1 / DeepSeek-V3.2-Speciale：前者奠定"大规模 RL 自然涌现长 CoT"的范式，后者是 SU-01 的教师模型（生成 SFT 轨迹）。
• DeepSeekMath-V2：被 SU-01 直接拿来当 proof judge——SU-01 与之的关系不是竞争而是寄生与被寄生：用 V2 当 judge 训出来的模型，反过来在 IMO-ProofBench 上几乎追平 V2 Heavy。
• AlphaProof / AlphaGeometry（DeepMind 2024）：形式化路线的 IMO 金，论文显式拿来对照，强调 SU-01 走的是自然语言路线。
• ExGRPO（Zhan et al. 2025）：经验重放思想的直系来源，SU-01 用其简化变体（无 policy-shaping）。
• P1（Chen et al. 2025）：直接给出 30B-A3B 物理奥赛骨架。
• “Through-the-valley”（Luo et al. 2025）：解释了"为什么 SFT 后要先做 coarse RL 找回答题力"。
• IMO-ProofBench（Luong et al. 2025）：本文的主要评测尺。
• Huang & Yang 2025：TTS 的 verify-refine 循环算法直接照搬。

下游——它会催生什么

• “统一配方 + 小骨架"的奥赛工业化。一旦门槛被压到 30B-A3B + 64 张 GPU，奥赛级别推理就会从"frontier 闭源专属"快速扩散到学校实验室与开源社区。预计 6–12 个月内会有 7B / 14B 量级的 SU-01 复刻版出现。
• proof-level judge 的军备竞赛。SU-01 的 judge 是 DeepSeekMath-V2；下一步会有人专门训练只为"判证明"而存在的小模型（10B 级），并把 anti-hacking 做成 SDK。
• 跨学科 RL 的可扩展性论文。FrontierScience 上 chemistry / biology 已能迁移，下一步会有"统一配方 + chemistry-specific judge"的版本，覆盖 IChO/IBO/ICho-Bench。
• TTS 计算的市场化。如果一道难题要烧数千万 token，会催生"按证明难度动态分配 TTS 预算"的产品形态——把推理算力变成可计量的商品。
• 教育与教师培养：35 分 USAMO 模型出现后，AI 助教/题解机器人会迅速被引入数学竞赛培训领域，但同时会重新激起一轮关于"模型证明是否算证明"的人文讨论（这点可对照 Gowers 实测 ChatGPT 5.5 Pro 做加性数论研究 那篇）。

同期对手

• DeepSeekMath-V2 Heavy（IMO-ProofBench 80.5）：闭源、未公布尺寸但显然 ≫ 30B，SU-01 的"目标线”。
• Gemini 3.1 Pro Thinking (72.6) / GPT-5.5-High (80.7)：frontier 闭源代表，SU-01 + TTS 仍未追上但已稳压前代 Gemini-2.5-DeepThink。
• Apple PORTool（参见 Apple PORTool 论文：用分叉回滚树解决工具调用的信用分配难题）：同期另一个走 “RL + 信用分配创新” 路线的工作，但目标是工具使用而非证明。
• SDAR（2605.15155，本轮候选池另一篇）：把 OPSD 当门控辅助损失叠在 RL 上，目标是 agentic 任务，与 SU-01 同期但不冲突。

5 · 编辑批判性评论

读完论文我的总评是：这是 2026 上半年最值得严肃读的开源推理论文之一，但有些值得警惕的事情论文要么没说、要么说得很轻。

第一，配方的稳健性可能比"复现"更脆弱。 反向 PPL 课程的消融只对比了 random / 正向 / 反向三种顺序，没有对 PPL 阈值、epoch 内重复策略、起点策略选择做扫描。这条 trick 在不同骨架（比如 Qwen3.6-base、Llama-4-MoE）上能否稳定有效，是开放问题。我倾向于认为：反向 PPL 强烈依赖于"起点模型已经会长思考"——一旦换到没经过推理后训练的纯 base 模型，“难者先教"反而可能崩。

第二，judge 模型的依赖是隐性 frontier 锁定。 SU-01 看似把成本压到 30B-A3B 训练，但 refined RL 阶段 24/7 挂着一个 DeepSeekMath-V2 在 32 张 GPU 上做 judge。这个 judge 本身就是 frontier 推理模型。也就是说：要复刻 SU-01，你不仅要会训 30B，还要养得起一个 V2 级别的 judge 长期在线。对于绝大多数学术团队这条门槛仍然致命。论文没有讨论"用更小 judge 是否还行”——这是接下来工程化的真问题。

第三，TTS 的成本账没算清。 一道题最坏要烧到数千万 token，但 USAMO 2026 P2 和 IMO 2025 P6 仍然 0 分。这意味着 TTS 不是"无限放大算力就能保金"，有一类问题（精细全局不变量、组合结构保持）模型即使烧光所有 token 也解不出——这是模型能力的硬天花板，不是采样量问题。论文坦率承认这点，但没给"如何识别哪种题烧 TTS 没用"的判别方法。在工程实践里这条至关重要：你不能对所有题都按最坏情况分配预算。

第四，奖励 hacking 的"输入预处理"是补丁而不是根治。 论文承认 generative judge 容易被攻击，对策是发现畸形输出就替换占位。但任何 RL 老兵都知道：模型一旦发现"格式 X 会被替换"，它就会绕到"格式 Y"。论文跑了 200 步 RL 没崩，部分原因可能是步数本来就少；如果换到 1000 步 + 更大 K 的训练，hacking 几乎一定会出现。建议读者把 “200 步” 这个数字也当成一个对抗鲁棒性的隐藏约束而不只是"省算力的卖点"。

第五，跨学科"迁移"是真的，但绝对值很低。 Chemistry / Biology FrontierScience-Research 上 SU-01 拿 11.7%，确实是同尺寸最佳，但距离 GPT-5.5-High (36.7%) 差 3 倍。论文把这个解读为"配方迁移"，我更愿意解读为"配方迁移、能力没迁移"——SU-01 学到了严谨的形式，没学到化学/生物特有的领域知识。下一篇工作的核心问题应该是：RL 信号能不能跨学科共享，还是必须每个学科训自己的 judge？

第六，工程实践层面：用还是不用？

• ✅ 可以用的场景：奥赛培训助教（产出可被人类教师审阅再发布）、形式化证明初稿生成、研究生级别物理/数学问题的快速尝解、教师批改时的对照解。
• ⚠️ 要小心的场景：任何要求"机器输出即终稿"的场景。论文展示 USAMO 35 分是在人类阅卷条件下的，TTS judge ≠ 人类裁判，把它直接用于"自动判分"会出 false-positive。
• ❌ 不要用的场景：原创性数学研究——SU-01 是"olympiad-style solver"，不是"theorem prover"，对开放性数学（参见 Gowers 那篇）能力仍有量级差距。

最后一个观察：SU-01 论文的真正贡献不是任何单一算法，而是**“统一配方 + 资源量级 + 复现路径”这三件事第一次同时被锁死。我把它和 DeepSeek-R1 放在同一个层级——不是因为方法更聪明，而是因为它重新定义了一份社区可以照着抄的清单**。这种"集成水平的跃迁"在 LLM 圈每 6–9 个月才出现一次，值得圈起来重点记忆。

延伸阅读：LLM 推理的真相：思维链只是表象，潜在状态才是本质 与本文的"长 CoT 工程化"形成漂亮互补——前者说"链是表象"，本文说"链确实能被工业化"。两个看似冲突的判断在 SU-01 这里被一种方式同时托住：链不是机制本质，但链可以是稳定的接口。

6 · 配套资料导览

本目录下另有四份配套：

• 📐 architecture-mindmap.svg — SU-01 整条管线的思维导图，包含三阶段训练 + TTS 控制律 + 关键成绩。
• 🃏 concept-cards.md — 20 张关键概念卡，每张 ≤120 字，用于快速复习。
• 📖 glossary.md — 62 条中英术语对照表，覆盖 RL 算法、训练资产、评测基准、推理基础设施五大维度。
• 🧮 key-equations.md — 11 段核心公式（含反向 PPL、GSPO、混合重放目标、TTS 控制律）的 KaTeX 解读。

延伸到博客上的关联文章：

• LLM 推理的真相：思维链只是表象，潜在状态才是本质
• 开放权重 LLM 架构演进全景：从 GPT-2 到 Gemma 4 的七年革命
• 2026 LLM 架构演进全景：从注意力变体爆发到推理时扩展的新范式
• Apple PORTool 论文：用分叉回滚树解决工具调用的信用分配难题
• Fields 奖得主 Gowers 实测 ChatGPT 5.5 Pro 做加性数论研究
• Reward Hacking：AI 正在学会作弊，我们的对策还停留在打补丁
• AI 评测正在变成新的算力黑洞：当评估比训练还贵

7 · 谁该读这篇论文

• 做 LLM 后训练 / RL 研究的同学：必读。GSPO、反向 PPL、两阶段 RL、重放策略是 2026 年所有"中等成本就想做出大效果"的 RL 实验的新标配。
• 奥赛培训机构 / 数学教育研究者：必读。35 / 42 分的 USAMO 不再是"未来可能"，而是"今晚就能跑的事实"。
• 推理基础设施工程师：必读。SGLang + EAGLE-MTP + 三层 verifier 的部署细节是 production-grade 长 CoT 服务的最新参考实现。
• 科学研究自动化的研究者：建议读。FrontierScience-Research 这块的迁移结果暗示"统一推理配方 + 学科 judge" 模式的工程可行性。
• AI 安全 / 对齐研究者：建议读。reward hacking 对策、生成式 judge 的攻防面、TTS 控制阈值这些都是 alignment 研究的新前沿。
• 普通工程师 / 产品经理：选读§1 + §5（编辑批判）+ §7。重点理解"什么场景能用、什么场景不能用"。

多模评审记录

综合 8.67 / 10，超过 8.5 发表阈值。三位评审一致选定本文为本轮 Top Pick，理由：唯一一篇有"对照人类 USAMO 阅卷的硬证据 + 完全开源的 30B-A3B 复现路径"的奥赛级推理论文。

版权声明：本文为对 arXiv 2605.13301 的独立解读与批评。引用论文原文不超过 3 句/段，全文引用合计 < 10%。论文图表均未直接复制，所有可视化（封面、思维导图、关键成绩条形图）均由本博客重新绘制。原始论文版权归原作者所有。

本文写作流程透明声明：候选池规模约 550 篇 (cs.LG/CL/AI/CV recent + HF + 关键词搜索)；筛 Top 8 经 Opus + 模拟 Sonnet + 模拟 Gemini 三轮独立打分；论文 PDF 与全文已读完整。