10萬(wàn)token自然語(yǔ)言推理，讓30B-A3B模型站上奧賽金牌線

奧賽級(jí)科學(xué)推理，一定要從更大的通用模型開始嗎？

最近上海人工智能實(shí)驗(yàn)室一份技術(shù)報(bào)告給出了一個(gè)不同答案：不調(diào)用外部工具、不執(zhí)行代碼、不接入專用符號(hào)求解器，一個(gè) 30B-A3B 規(guī)模的推理模型，也可以通過(guò)統(tǒng)一后訓(xùn)練和推理時(shí)擴(kuò)展，在 IMO、USAMO、IPhO 等高難數(shù)學(xué)與物理奧賽評(píng)測(cè)中達(dá)到強(qiáng)勁水平。

研究團(tuán)隊(duì)選擇從已有 30B-A3B 推理主干出發(fā)，先用約 33.8 萬(wàn)條高質(zhì)量軌跡進(jìn)行反向困惑度課程監(jiān)督微調(diào)，再通過(guò) 200 步兩階段強(qiáng)化學(xué)習(xí)提升解題能力與完整證明質(zhì)量，最后在推理階段采用多輪「生成 - 驗(yàn)證 - 修正」循環(huán)。模型不調(diào)用外部工具、不執(zhí)行代碼、不依賴專用符號(hào)求解器，卻能夠在困難奧賽題上持續(xù)開展 10 萬(wàn)詞元以上的自然語(yǔ)言推理。

在比賽式評(píng)測(cè)中，模型經(jīng)過(guò)推理階段擴(kuò)展后，在 IMO 2025 和 USAMO 2026 中均取得 35 分，達(dá)到對(duì)應(yīng)金牌級(jí)水平；在 IPhO 2024/2025 等物理奧賽任務(wù)上也達(dá)到金牌水平。在 USAMO 2026 第三題（人類選手平均分僅 0.01 分，無(wú)人過(guò) 5 分）上更是取得滿分。

更重要的是，這并非來(lái)自參數(shù)驚人的「巨無(wú)霸」模型，而是一個(gè)小而精的 30B-A3B 選手。

報(bào)告還顯示，在 USAMO 2026 的推理擴(kuò)展軌跡中，初始解答生成的中位長(zhǎng)度約為 10.6 萬(wàn) token，自我修正階段中位長(zhǎng)度約為 8.3 萬(wàn) token。

這表明，奧賽級(jí)科學(xué)推理的關(guān)鍵不只是模型規(guī)模本身，而在于能否讓模型把更長(zhǎng)的推理預(yù)算穩(wěn)定轉(zhuǎn)化為證明搜索、自我驗(yàn)證和論證修復(fù)能力。

• 論文鏈接：https://arxiv.org/abs/2605.13301
• 開源鏈接：https://github.com/Simplified-Reasoning/SU-01

一般尺寸模型，也能做奧賽級(jí)證明？

奧林匹克競(jìng)賽題一直是檢驗(yàn)?zāi)Ｐ烷L(zhǎng)程推理能力的硬場(chǎng)景。這類題目和常規(guī)數(shù)學(xué)問(wèn)答不同， 一個(gè)正確結(jié)論遠(yuǎn)遠(yuǎn)不夠，模型還必須在很長(zhǎng)的解題鏈路中持續(xù)管理假設(shè)、中間結(jié)論和邊界情形，最終給出能夠經(jīng)受嚴(yán)格評(píng)分的完整證明或推導(dǎo)。隱藏的論證缺口、未覆蓋的分類討論、未經(jīng)證明的關(guān)鍵引理，都可能讓整題失分。

因此，在過(guò)去相當(dāng)長(zhǎng)一段時(shí)間里，人們很自然地把奧賽級(jí)推理和一個(gè)條件綁定在一起：更大的通用模型底座。這份報(bào)告想回答的正是這一問(wèn)題：

奧賽級(jí)推理任務(wù)，是否必須依賴更大、更強(qiáng)的通用模型？

研究團(tuán)隊(duì)的選擇相當(dāng)克制：不引入外部工具，不執(zhí)行代碼，不依賴符號(hào)求解器。模型從構(gòu)思、證明、檢查到修正，全部在自然語(yǔ)言中完成。

這樣一來(lái)，結(jié)果更直接地指向模型自身的能力：一個(gè) 30B-A3B 規(guī)模的模型，僅靠自然語(yǔ)言推理，能否承擔(dān)奧賽級(jí)證明？

先教會(huì)模型嚴(yán)謹(jǐn)推理，再讓它學(xué)會(huì)自我修正

團(tuán)隊(duì)提出的簡(jiǎn)潔統(tǒng)一方案可以概括為三個(gè)環(huán)節(jié)：監(jiān)督微調(diào)塑造行為，強(qiáng)化學(xué)習(xí)提升解題能力，推理階段擴(kuò)展放大證明搜索。

圖 1：方法框架，整體流程以 30B-A3B 推理主干為基礎(chǔ)，通過(guò)監(jiān)督微調(diào)、兩階段強(qiáng)化學(xué)習(xí)和推理階段擴(kuò)展，將模型塑造成能夠進(jìn)行證明搜索、自我驗(yàn)證和多輪修正的自然語(yǔ)言推理系統(tǒng)。

第一步是反向困惑度課程監(jiān)督微調(diào)。研究團(tuán)隊(duì)從數(shù)學(xué)、科學(xué)、代碼和指令跟隨等來(lái)源構(gòu)建長(zhǎng)鏈路推理數(shù)據(jù)，并加入自驗(yàn)證、自修正樣本，使模型學(xué)習(xí)如何組織證明、檢查假設(shè)、定位漏洞并修復(fù)論證。訓(xùn)練過(guò)程中，樣本按照初始模型困惑度從高到低排序：模型先接觸與當(dāng)前策略差異更大的證明軌跡，再逐步鞏固更熟悉的樣本。

換言之，SFT 階段的目標(biāo)并不是依靠海量數(shù)據(jù)直接堆高模型能力，而是更穩(wěn)定地重塑模型的推理行為，使其形成嚴(yán)謹(jǐn)、可檢查、可修正的長(zhǎng)程推理模式。

第二步是兩階段強(qiáng)化學(xué)習(xí)。第一階段使用可驗(yàn)證題目和可靠的結(jié)果獎(jiǎng)勵(lì)，高效提升模型的直接求解能力；第二階段則進(jìn)一步從「答案是否正確」轉(zhuǎn)向「證明是否完整可靠」，引入證明質(zhì)量獎(jiǎng)勵(lì)模型、自修正任務(wù)和經(jīng)驗(yàn)回放機(jī)制。

其中，自修正任務(wù)讓模型在看到自身不完整或存在漏洞的解答后，學(xué)習(xí)如何重新檢查推理鏈條并生成更完整和嚴(yán)謹(jǐn)?shù)男拚孀C明；經(jīng)驗(yàn)回放機(jī)制則用于保留訓(xùn)練過(guò)程中少量但高價(jià)值的成功證明軌跡，避免這些在高難問(wèn)題上偶然發(fā)現(xiàn)的有效解法被很快遺忘。

第三步在推理階段擴(kuò)展。面對(duì)奧賽難題，模型并不只生成一次答案，而是進(jìn)入「生成候選解答 - 檢查完整證明 - 定位問(wèn)題 - 修正解答」的循環(huán)。這里擴(kuò)展的不是外部工具鏈，而是模型自身的自然語(yǔ)言驗(yàn)證與修正計(jì)算。

10 萬(wàn) token 級(jí)奧賽推理，不只是把答案寫長(zhǎng)

圖 2：IMO-Bench 所含 ProofBench 結(jié)果。 SU-01 在直接生成時(shí)取得 57.6%，經(jīng)推理階段擴(kuò)展提升至 70.2%，顯著超越同尺寸模型，并 Gemini 3.1 Pro Thinking 等強(qiáng)閉源模型。

報(bào)告結(jié)果顯示，SU-01 在證明級(jí)評(píng)測(cè)中已經(jīng)展現(xiàn)出強(qiáng)長(zhǎng)程推理能力。在 IMO-ProofBench 上，SU-01 直接生成取得 57.6%，已是同尺寸模型中的最強(qiáng)結(jié)果；經(jīng)推理階段擴(kuò)展后，整體得分進(jìn)一步提升至 70.2%，顯著超越同尺寸模型，并接近 Gemini 3.1 Pro Thinking 的 72.6%。

這說(shuō)明，一般尺寸模型不僅可以追求最終答案正確，也可以通過(guò)統(tǒng)一訓(xùn)練與推理組織提升完整證明質(zhì)量。

報(bào)告還進(jìn)一步指出，SU-01 的能力并不局限于競(jìng)賽題。在更接近科研問(wèn)題形態(tài)的 FrontierScience-Research 評(píng)測(cè)中，SU-01 取得同尺寸模型中的最佳成績(jī)，說(shuō)明這套訓(xùn)練方案不僅適用于奧賽基準(zhǔn)，也具備向研究型科學(xué)問(wèn)題泛化的潛力。

圖 2：USAMO 2026 推理階段擴(kuò)展流程中不同動(dòng)作的生成長(zhǎng)度分布。

推理階段擴(kuò)展進(jìn)一步放大了模型的證明搜索和自我修正能力。通過(guò)「生成候選解答 - 檢查完整證明 - 定位問(wèn)題 - 修正解答」的多輪循環(huán)，模型能夠把不完整或不穩(wěn)定的嘗試轉(zhuǎn)化為嚴(yán)謹(jǐn)連貫的完整解答。

報(bào)告中的推理擴(kuò)展分析顯示，在 USAMO 2026 的推理擴(kuò)展軌跡中，初始解答生成的中位長(zhǎng)度約 10.6 萬(wàn)詞元，修正階段的中位長(zhǎng)度約 8.3 萬(wàn)詞元。

換言之，模型在 30B-A3B 規(guī)模下仍能持續(xù)開展 10 萬(wàn)詞元量級(jí)的有效推理，并將長(zhǎng)程計(jì)算用于證明構(gòu)造、漏洞定位和論證修復(fù)。

數(shù)學(xué)與物理奧賽金牌水平推理

在奧林匹克官方競(jìng)賽題上，SU-01 在數(shù)學(xué)奧賽和物理奧賽任務(wù)上均展現(xiàn)出金牌水平推理能力。

數(shù)學(xué)奧賽方面，模型在單次直接生成時(shí)已經(jīng)具備較強(qiáng)解題能力：IMO 2025 取得 21 分，在 P2 獲得滿分，在 P4、P5 上接近滿分；USAMO 2026 取得 15 分，在 P1、P4 獲得滿分。經(jīng)推理階段擴(kuò)展后，模型在 IMO 2025 和 USAMO 2026 均取得 35 分，達(dá)到對(duì)應(yīng)金牌級(jí)水平。

表 1：數(shù)學(xué)奧林匹克競(jìng)賽評(píng)測(cè)結(jié)果。評(píng)測(cè)涵蓋 IMO 2025 和 USAMO 2026 兩項(xiàng)賽事；其中，IMO 2025 的金 / 銀 / 銅牌線為 35/28/19 分，USAMO 2026 的金 / 銀 / 銅牌線為 25/18/11 分。

尤其在最近的美國(guó)數(shù)學(xué)奧林匹克 USAMO 2026 上，SU-01 取得 35 分，遠(yuǎn)超該賽事 25 分的金牌線，并達(dá)到人類選手最高分水平。

根據(jù) 340 名人類選手的得分統(tǒng)計(jì)，USAMO 2026 平均分為 8.59 分，中位數(shù)僅為 6 分，Top 12 分?jǐn)?shù)線為 26 分、Top 24 分?jǐn)?shù)線為 23 分，整場(chǎng)最高分為 35 分；從分題統(tǒng)計(jì)看，P2、P3、P6 難度尤其突出，其中 P3 平均分僅 0.01 分、無(wú)人達(dá)到 5 分以上，而 SU-01 在該題取得滿分成績(jī)。

圖 4 ：USAMO 2026 人類選手得分統(tǒng)計(jì)與分題難度分布。該賽事共有 340 名選手參賽，平均分為 8.59 分，中位數(shù)為 6 分，Top 12 和 Top 24 分?jǐn)?shù)線分別為 26 分和 23 分，最高分為 35 分。分題統(tǒng)計(jì)顯示，P2、P3、P6 難度突出，其中 P3 平均分僅 0.01 分，且無(wú)人達(dá)到 5 分以上。（來(lái)源https://web.evanchen.cc/exams/posted-usamo-statistics.pdf）

這說(shuō)明 SU-01 的 35 分并非主要來(lái)自常規(guī)題的得分，而是在高難證明題上取得關(guān)鍵突破，整體表現(xiàn)達(dá)到了頂尖人類選手水平。

一個(gè)特別突出的例子是 USAMO 2026 P3：模型沒(méi)有沿用標(biāo)準(zhǔn)的綜合幾何路線，而是優(yōu)雅地使用復(fù)數(shù)方法，將單位圓、等邊三角形旋轉(zhuǎn)、弦關(guān)系和切線條件統(tǒng)一到同一個(gè)代數(shù)框架中。這將一個(gè)奧賽選手通常會(huì)通過(guò)角追蹤和輔助構(gòu)造處理的幾何配置，轉(zhuǎn)化為一種結(jié)構(gòu)化的解析表述。

IMO 2025 P2 則展示了另一種互補(bǔ)能力，模型將一個(gè)涉及兩相交圓、垂心和切線判定的幾何問(wèn)題，化約為坐標(biāo)與距離計(jì)算。

其他有趣的案例還包括 USAMO P4 中的進(jìn)位狀態(tài)動(dòng)態(tài)規(guī)劃，以及 USAMO P6 中結(jié)合歐拉函數(shù)、同余、Vieta jumping 和 Fibonacci 結(jié)構(gòu)的數(shù)論證明。

物理奧賽方面，模型在 IPhO 2024/2025 直接生成已超過(guò)金牌線，推理階段擴(kuò)展后進(jìn)一步提升。

表 2：物理奧林匹克競(jìng)賽評(píng)測(cè)結(jié)果。評(píng)測(cè)涵蓋 IPhO 2024 和 IPhO 2025 兩項(xiàng)賽事；其中，IPhO 2024 金牌線為 20.8 分，IPhO 2025 金牌線為 19.7 分。表中 x /y 分別表示模型在直接生成和推理階段擴(kuò)展設(shè)置下的得分。

更高效的科學(xué)推理系統(tǒng)路線

這項(xiàng)工作的價(jià)值不止于奧賽分?jǐn)?shù)，而在于驗(yàn)證了一條更高效的科學(xué)推理系統(tǒng)路線：以已有推理模型為起點(diǎn)，通過(guò)嚴(yán)謹(jǐn)推理行為塑造、證明級(jí)獎(jiǎng)勵(lì)設(shè)計(jì)和推理時(shí)「生成 - 驗(yàn)證 - 修正」閉環(huán)，將有限規(guī)模模型的計(jì)算預(yù)算轉(zhuǎn)化為可評(píng)分、可驗(yàn)證的證明能力。

面向未來(lái)，這一路線有望從數(shù)學(xué)與物理奧賽擴(kuò)展到更廣泛的科學(xué)問(wèn)題求解，成為構(gòu)建高效、可靠、可驗(yàn)證科學(xué)智能系統(tǒng)的通用方法。