动机 奥赛数学与物理问题要求严格的证明搜索、自验证和长程推理，但现有模型常止步于答案正确而缺乏证明严谨性。如何用紧凑的30B-A3B模型获得金牌级奥赛实力？

方法关键点

• 逆向困惑度课程SFT：从P1-30B-A3B起始，用338K条≤8K token的轨迹（含数学、科学、代码、指令跟随）进行SFT，数据按自身策略困惑度从高到低排序，先学不熟悉的证明模式，有效重塑推理行为而不丢失原有能力。
• 粗粒度RL（RLVR）：在约9K可验证题目上使用GSPO进行序列级优化，结合分层奖励（规则校验→Math-Verify→gpt-oss-120b），提升答案搜索能力。
• 精细RL：引入DeepSeekMath-V2作为生成式证明奖励，评价完整证明质量；加入自精炼机制（将低质量回滚转为修复提示）和经验回放（保存并重放稀有成功证明），强化证明严谨性与鲁棒性。
• 测试时缩放（TTS）：在推理时执行自验证-自精炼循环：模型生成初解→自检漏洞并生成修要报告→判断接受或回退精炼，直至连续5次通过验证。

关键结果

• 可验证基准：SU-01在AnswerBench/AMO-Bench/AIME 25/26/FrontierScience-Olympiad综合得分77.3%，匹配同尺寸最强Qwen3.6-35B-A3B（77.4%）。
• 证明基准：IMO-ProofBench直接57.6%，TTS后70.2%（Basic 91.0%，Advanced 49.5%），大幅领先其他同尺寸模型并接近Gemini 3.1 Pro Thinking（72.6%）。
• 竞赛成绩：IPhO 2024/2025直接超越金牌线（23.5/20.3 vs 20.8/19.7），IMO 2025 TTS后35分（金牌线），USAMO 2026 TTS后35分（超金牌线10分），匹敌该届人类最高分。
• 推理长度：TTS下初始解中位数106K token，精炼83K token，验证28.7K token，模型可持续连贯推理超100K token。
• 跨域迁移：FrontierScience-Research综合11.7%为同尺寸最佳，展现出数学/物理训练外的科研推理能力。

一句话：紧凑的统一训练+测试时缩放流程赋予30B模型专家级奥赛证明能力，且不牺牲科学泛化性。