AIMPACT メッセージ、5 月 16 日（UTC+8）、新しい論文が後訓練推論モデルをオリンピックレベルの解答器に変換するシステム的方法を提案し、その方法に基づいてSU-01モデルを訓練した。 この方法は三つのステップを含む：まず、逆困惑度コースを用いた監督微調整で、厳格な証明探索と自己検査行動を注入する；次に、二段階の強化学習（検証可能な報酬強化学習から証明レベルの強化学習への移行）を通じてこれらの行動を拡張する；最後に、テスト時のスケーリングによって性能を向上させる。 研究チームはこの方法を30B-A3Bバックボーンモデルに適用し、約34万のサブ8Kトークン軌跡を用いて監督微調整を行い、その後200ステップの強化学習を経てSU-01を得た。 このモデルは難しい問題に対して安定した推論を行うことができ、軌跡長は10万トークンを超え、IMO 2025/USAMO 2026やIPhO 2024/2025などの競技で金メダルレベルに達し、数学や物理以外の科学推論分野での一般化能力も示した。（出典：InFoQ）
後訓練推理モデルSU-01は、オリンピックレベルの試験で金牌性能を実現しました
この方法は三つのステップを含む：まず、逆困惑度コースを用いた監督微調整で、厳格な証明探索と自己検査行動を注入する；次に、二段階の強化学習（検証可能な報酬強化学習から証明レベルの強化学習への移行）を通じてこれらの行動を拡張する；最後に、テスト時のスケーリングによって性能を向上させる。
研究チームはこの方法を30B-A3Bバックボーンモデルに適用し、約34万のサブ8Kトークン軌跡を用いて監督微調整を行い、その後200ステップの強化学習を経てSU-01を得た。
このモデルは難しい問題に対して安定した推論を行うことができ、軌跡長は10万トークンを超え、IMO 2025/USAMO 2026やIPhO 2024/2025などの競技で金メダルレベルに達し、数学や物理以外の科学推論分野での一般化能力も示した。（出典：InFoQ）