证明

RL专家处理的是另一层问题：怎样改变这些证明路线被抽中的概率。

几部分合在一起，解决的是有限推理算力怎样覆盖更多证明路线的问题。

IMO级题目的证明空间非常稀疏。

一个只会重新作答的模型，每次失败后都要重新进入整个证明空间；

加入经过不同后训练的checkpoint，相当于主动改变采样分布，让计算资源进入另一片证明空间。

但IMO这条链已经把问题暴露得很清楚：证明生成可以依靠更多proposal和更多test-timecompute继续扩展，验证却还没有同样稳定的scaling路线。

2026年09月15日17:38雷锋网用三套checkpoint完成多轮证明搜索，用过程透明平息学术怒火，用1.5TB显存门槛锁定算力霸权。

Nemotron3Ultra只是底座，后面两个专家模型、大规模证明搜索、模型验证和多轮改写，共同组成了把成绩推到IMO金牌线的完整链路。

SFT数据里除了完整证明，还加入了大量证明修改、验证和再次验证的轨迹。