Модель-исследователь, обученная на 340 000 треков, — это настоящий монстр логики, а имя SU-01 звучит довольно круто.

AIMPACT предложила систематический подход к преобразованию моделей посттренировочного вывода в олимпийского уровня решатели задач, состоящий из трех этапов: с помощью курса обратной путаницы для супервизорной донастройки внедряет поиск доказательств и самопроверку; затем расширяет его двумя этапами усиленного обучения; при тестировании выполняет масштабирование для повышения эффективности.
Применено к базе 30B-A3B, с использованием около 340 000 суб-8K траекторий для супервизорной донастройки, 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 демонстрируя способность к научному мышлению за пределами математики и физики.