论文页面 - 通过简单统一的缩放实现金牌级奥赛推理

来源：https://huggingface.co/papers/2605.13301 发表于 5月13日

#1 每日论文 (https://huggingface.co/papers/date/2026-05-15) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

一种系统性方法通过反向困惑度课程、两阶段强化学习以及测试时缩放，将后训练推理模型转化为严谨的奥林匹克级别解题器，在数学和物理竞赛中达到了金牌水平的表现。

近期推理模型 (https://huggingface.co/papers?q=reasoning%20models) 的进展显著推动了长程数学和科学问题求解 (https://huggingface.co/papers?q=scientific%20problem%20solving) 的发展，已有多个系统在国际数学奥林匹克 (https://huggingface.co/papers?q=International%20Mathematical%20Olympiad)（IMO）和国际物理奥林匹克 (https://huggingface.co/papers?q=International%20Physics%20Olympiad)（IPhO）问题上达到金牌水平。本文介绍一种简单统一的方案，用于将后训练的推理主干 (https://huggingface.co/papers?q=backbone) 转化为严谨的奥林匹克级别解题器。该方案首先使用反向困惑度课程 (https://huggingface.co/papers?q=reverse-perplexity%20curriculum) 进行 SFT (https://huggingface.co/papers?q=SFT)，以注入严谨的证明搜索 (https://huggingface.co/papers?q=proof-search) 和自检行为 (https://huggingface.co/papers?q=self-checking%20behaviors)；随后通过两阶段 RL (https://huggingface.co/papers?q=RL) 流水线扩展这些行为，该流水线从基于可验证奖励 (https://huggingface.co/papers?q=verifiable%20rewards) 的 RL (https://huggingface.co/papers?q=RL) 逐步推进到更精细的证明级 RL (https://huggingface.co/papers?q=proof-level%20RL)；最后通过测试时缩放 (https://huggingface.co/papers?q=test-time%20scaling) 提升解题性能。应用该方案，我们在约 34 万条子 8K token (https://huggingface.co/papers?q=token) 轨迹上以 SFT (https://huggingface.co/papers?q=SFT) 训练了一个 30B-A3B 主干 (https://huggingface.co/papers?q=backbone)，并进行了 200 步 RL (https://huggingface.co/papers?q=RL)。最终模型 SU-01 能对困难问题进行稳定推理，轨迹超过 10 万 token (https://huggingface.co/papers?q=token)，并在数学和物理奥林匹克竞赛（包括 IMO 2025/USAMO 2026 和 IPhO 2024/2025）中达到金牌级表现。此外，该模型在数学和物理之外的领域也展现出强大的科学推理泛化能力。

查看 arXiv 页面 (https://arxiv.org/abs/2605.13301) 查看 PDF (https://arxiv.org/pdf/2605.13301) 项目页面 (https://simplified-reasoning.github.io/SU-01) GitHub20 (https://github.com/Simplified-Reasoning/SU-01) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.13301)

在您的 agent 中获取此论文：

hf papers read 2605.13301

没有最新 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型1

Simplified-Reasoning/SU-01 强化学习• 31B• 1天前更新 • 9 (https://huggingface.co/Simplified-Reasoning/SU-01)

引用本论文的数据集0

暂无数据集引用此论文

请在数据集的 README.md 中引用 arxiv.org/abs/2605.13301，以从本页链接该数据集。

引用本论文的 Space0

暂无 Space 引用此论文

请在 Space 的 README.md 中引用 arxiv.org/abs/2605.13301，以从本页链接该 Space。

包含本论文的收藏集0

暂无收藏集包含此论文

请将此论文添加到收藏集 (https://huggingface.co/new-collection) 中以从本页链接它。