用34萬條軌跡喂出來的推理怪物，SU-01這名字起得夠低調

AIMPACT提出將後訓練推理模型轉化為奧林匹克級解題器的系統方法，分三步：用反向困惑度課程進行監督微調灌輸證明搜索與自我檢查；再經兩階段強化學習擴展；測試時再進行尺度化提升。應用於30B-A3B骨幹，使用約34萬條子8K軌跡進行監督微調，隨後200步RL，得到SU-01。該模型能對難題進行穩定推理，軌跡超10萬token，在IMO/USAMO/IPhO等競賽達到金牌級別，並展現跨數學/物理以外領域的科學推理泛化能力。