简单扩展策略拿下奥赛金牌级推理

这篇论文的关键在于"统一"——之前奥赛级推理要么靠超大模型暴力堆，要么靠针对特定竞赛的复杂手工设计，而这个方法用同一套流程同时搞定数学和物理两大赛道。反向困惑度课程是个值得关注的技巧，它让模型先从"容易验证但难生成"的问题学起，比直接上难度更稳定。

两阶段 RL 的设计也很务实：第一阶段用 outcome reward 快速收敛，第二阶段用 process reward 精细打磨，避免了单一 reward 的信号稀疏问题。如果代码和训练数据后续开源，这套流程很可能成为推理模型 post-training 的新基线，做科学计算或教育 AI 的团队可以优先跟进。