Обучение с обратной перплексией + двухэтапное обучение с подкреплением + стандартизация при тестировании — после применения этого комплекса потолок для последующего обучения и вывода модели был пробит.

AIMPACT предложила системный метод преобразования моделей посттренировочного вывода в олимпийского уровня решатели задач, состоящий из трех этапов: с помощью курса обратной путаницы для контролируемой дообучения внедряет поиск доказательств и самопроверку; затем расширяет его двумя этапами усиленного обучения; при тестировании дополнительно масштабирует улучшение.
Применяя к базе 30B-A3B, использовались около 340 000 суб-8K траекторий для контролируемого дообучения, затем 200 шагов RL, получена модель SU-01.
Эта модель способна стабильно рассуждать о сложных задачах, траектории превышают 100 000 токенов, достигая уровня золотой медали на конкурсах IMO/USAMO/IPhO и других, а также демонстрирует способность к обобщению научных рассуждений за пределами математики и физики.