После обучения модель вывода SU-01 достигла золотого уровня в задачах олимпийского уровня

AIMPACT сообщение, 16 мая (UTC+8), новая статья предлагает системный метод преобразования моделей пост-тренировочного вывода в олимпийского уровня решатели задач, и на основе этого метода обучена модель SU-01.
Этот метод включает три шага: сначала использование курса обратной путаницы для контролируемой дообучения с целью внедрения строгого поиска доказательств и самопроверки; затем расширение этих действий с помощью двухэтапного усиленного обучения (переход от обучения с подкреплением на основе проверяемых наград к обучению с доказательственным уровнем); наконец, повышение производительности за счет масштабирования во время тестирования.
Исследовательская команда применила метод к базовой модели 30B-A3B, использовав около 340 тысяч траекторий по 8K токенов для контролируемого дообучения, затем провела 200 шагов усиленного обучения, получив SU-01.
Эта модель способна стабильно рассуждать о сложных задачах, длина траекторий превышает 100 тысяч токенов, достигая уровня золотых медалей на соревнованиях IMO 2025/USAMO 2026 и IPhO 2024/2025, а также демонстрирует способность к обобщению в области научных рассуждений за пределами математики и физики.
(Источник: InFoQ)