← 返回深度解读总览

《Kimi k1.5: Scaling Reinforcement Learning with LLMs》深度解读报告

Moonshot AI (Kimi Team) · arXiv:2501.12599v4 [cs.AI] · v1 2025-01-21 / v4 2025-06-03 · 25 页（正文 p1–16 / 附录 p17–25）· CC BY-NC-ND 4.0
强化学习 RL长思维链 Long-CoTLong-context Scaling 128Klong2shortOnline Mirror Descent多模态推理对标 OpenAI o1
数据依据：pdf-worker 源数据提取文件（00-源数据提取.md）。全部数字与原文一致；标注「推断」处为分析者推理补充。

◆摘要

Moonshot AI 的 Kimi Team 于 2025 年 1 月发布技术报告《Kimi k1.5》，核心论断是：把强化学习的上下文窗口扩展到 128K token，配合一套极简的策略优化框架（online mirror descent 变体——不用价值函数、不用 MCTS、不用 process reward model），就能让多模态 LLM 的推理能力达到前沿水平。

其长-CoT 模型在 AIME 2024 上取得 77.5、MATH-500 上取得 96.2、Codeforces 百分位 94、MathVista 74.9，全面达到或匹配 OpenAI o1；短-CoT 模型经 long2short 技术压缩后仍保持 AIME 60.8、MATH-500 94.6 的成绩，对 GPT-4o / Claude-3.5-Sonnet 最高领先 +550%（AIME 上）。

本报告按「问题—概念—方法—证据—批判—启示」六层结构逐层拆解，重点还原「把搜索树展平到完整上下文」这一思想如何取代 MCTS 式显式搜索、long2short 如何把贵的能力变便宜、以及这套体系背后被低估的基础设施贡献。

一句话摘要：砍掉搜索树、换上 128K 上下文，k1.5 用极简 RL 追平 o1，再用 long2short 把能力变便宜。

一问题定位：RL 扩展 LLM 推理的三道关卡

1.1 论文要解决的问题

论文写作时点正值推理模型的分水岭：OpenAI o1 已示范了「测试时计算扩展」（test-time scaling）的巨大潜力，但其方法闭源、细节未知，社区面对的核心问题是——如何用强化学习把 LLM 的推理能力系统性地推到前沿水平？Kimi k1.5 给出的答案是一个端到端的多模态 RL 训练体系，直接以 o1 为对标物，在数学、代码、多模态三类基准上逐项对表。

作者将这个大问题拆成三个具体的技术关卡：

  1. 搜索机制之关：经典 planning 算法（MCTS、A* 等）依赖 critic value 构建搜索树来做显式搜索，工程复杂、算力昂贵，且在语言这种指数级动作空间上难以高效展开；
  2. 成本之关：长-CoT 推理消耗远多于短-CoT 的测试时 token，性能与成本如何兼得；
  3. 模态之关：既有 RL 推理工作几乎全部局限于纯文本，多模态推理能否走同一条路。

1.2 在推理模型谱系中的定位

放在 2025 年初的时间轴上看，Kimi k1.5 与 DeepSeek R1 属于同一波「复现并超越 o1」的开明技术报告浪潮，但其技术路线有鲜明的独立主张：

维度显式搜索路线（MCTS 系）Kimi k1.5 路线
搜索机制critic value 构建搜索树，逐步展开不构建搜索树，把整棵树展平到 full context
价值函数需要显式排除
过程监督process reward model不用，仅最终答案 verifier（CoT-RM 用于判答）
上下文通常受限一路扩到 128K

这一对照揭示了论文最核心的世界观：上下文本身就是搜索空间。「thought 数即搜索步数」——当模型在 128K 的上下文里写下一条长长的思维链时，它实际上是在用自回归生成的方式遍历搜索树的路径，回溯就是继续生成新的分支尝试。（推断）这与人类解题时「在草稿纸上试错」的认知模式高度同构：草稿纸越长，能容纳的试错次数越多。

1.3 为什么这个问题值得做

从结果倒推，论文证明了三件此前不确定的事：其一，RL 上下文长度本身是一个可缩放的维度，且缩放它带来持续的性能收益（§3.3）；其二，没有价值函数和显式搜索树的极简 RL 框架足以支撑前沿推理能力；其三，长-CoT 中学到的能力可以系统性迁移给便宜的短-CoT 模型（long2short）。这三点合起来构成了一条完整的「能力获取—成本控制」闭环，为整个行业后续的推理模型研发提供了可参考的路线图。

一句话小结：本文的问题不是「要不要用 RL」，而是「RL 该怎么搭」——作者的答案是砍掉一切中间件（价值函数/MCTS/PRM），把省下的复杂度换成上下文长度。

二概念内核：四个核心概念逐一定义

2.1 长上下文缩放（Long-context Scaling）

定义把 RL 训练阶段的上下文窗口扩展至 128K（131,072 token），让模型在单条轨迹内完成足够多的「思考步」，从而隐式替代显式搜索。

拆解：这是全文的第一性原理。传统 planning 视角里，「思考」是在搜索树上移动；本文视角里，planning 算法可以被看作「把搜索树展平到 full context 的映射」——既然存在这个映射，就可以跳过建树过程，直接训练模型去近似映射的结果。这个转换的价值是工程性的：建树需要 value function 来估值剪枝，而展平之后只需要模型自己生成 + 最终答案验证，整个 RL 循环里不再有任何中间裁判。（推断）这也解释了为什么论文敢同时砍掉价值函数和 PRM——上下文够长时，模型可以在一条思维链内部完成「提出假设→发现矛盾→推翻重来」的自纠错，过程监督的功能被模型的自我修正行为内化了。

2.2 极简策略优化（Online Mirror Descent 变体）

定义基于相对熵正则的 online policy optimization，优化目标为下式，其中 r 为奖励，τ 为 KL 正则系数，π_θi 为上一轮迭代的参考策略。
maxθ  𝔼(y,z)~π_θ[ r − τ·KL(πθ ‖ πθᵢ) ]

拆解：该目标有闭式解，实践中用 surrogate loss 实现，KL 项 τ·logZ 用 k 条采样近似，梯度中以采样奖励均值 r̄ 作 baseline，另加 ℓ2 正则稳定训练。这个框架的要点不在公式本身（它属于策略优化的标准工具箱），而在作者显式排除了价值网络这一决策背后的假设——见 2.3。

2.3 负梯度与 credit assignment 的反直觉立场

定义作者假设经典 RL 的 credit assignment（用 value function 分配功劳/责任）不适合长-CoT 推理语境，因此保留负梯度信号——错误的轨迹也参与更新。

拆解：这是全文概念层面最有洞察力的段落。经典观点认为，探索到一个当前会出错的分支 z'ₜ₊₁ 应该被 penalize（因为它的 value 低）。但作者指出：在推理训练语境下，探索错误分支对训练极有价值——模型正是在「走进死胡同再退出来」的过程中学会避免同类错误的。如果按 value function 的逻辑惩罚这些探索，等于惩罚了试错本身。消融实验（图10）直接支撑了这个判断：含负梯度的方法对比 ReST（只拟合当前模型最优响应、无负梯度）在 OMNI-MATH500、MATH500、AIME2024、GPQA 等基准上样本复杂度明显更优。（推断）这一结论对后来者的启发在于：RL for reasoning 的 credit assignment 问题不能照搬经典 RLHF 的直觉——「什么该被惩罚」取决于任务里的「错误」是否携带可学习的信息。

2.4 Long2short（长到短的上下文压缩）

定义一组把长-CoT 教师模型的推理能力迁移给短-CoT 模型的技术集合：长-CoT 蒸馏、最短拒绝采样（shortest rejection sampling）、DPO、模型合并（merge）、Long2short RL 五种手段。

拆解：这个概念回应的是 1.1 节的成本之关。长-CoT 换来高性能，但也换来高昂的测试时 token 开销；long2short 的哲学是先用钱换能力，再用能力换效率——训练阶段允许模型挥霍 token 学会推理，部署阶段通过蒸馏/选择/合并把冗余思考剥离。其中「最短拒绝采样」尤其体现工程智慧：从教师多次采样中挑最短的正确答案作为监督信号，直接把「简洁正确」定义为模仿目标。Long2short RL 则更进一步：以标准 RL 后「性能与 token 效率最佳平衡」的模型为 base，加长度惩罚并大幅压低 rollout 最大长度，让模型在紧约束下重新学会取舍。

一句话小结：四个概念构成因果链——长上下文缩放提供搜索空间、镜像下降提供优化引擎、负梯度保护试错信号、long2short 解决账单问题。

三方法还原：从数据策展到基础设施的全栈拆解

3.1 RL Prompt Set 策展：一切始于题目质量

RL 训练的效果上限由 prompt 集决定，论文为此定了三条原则：

难度评估采用模型自身能力的自适配方案：对每个 prompt，SFT 模型用高温度生成 10 次，pass rate 越高代表越易。以此预过滤平凡样例，并保证推理过程与最终答案均可验证。（推断）用模型自身分布定义难度而非人工标注，既是成本考虑，也让难度随模型成长而自动重校准——同一道题在不同训练阶段可能落入不同难度桶。

3.2 策略优化的实现细节

在 2.2 的目标函数之上，实现层面的关键选择包括：

  1. KL 正则项 τ·logZ 用 (y₁,z₁)...(y_k,z_k) 共 k 条采样近似，避免精确计算 intractable 的配分函数；
  2. 梯度估计中以 sampled rewards 均值 r̄ 作 baseline，降低方差；
  3. 加 ℓ2 正则防止参数漂移过大。

整个流程没有任何 critic 网络，显存与计算预算全部让位给 policy 本身和长序列 rollout。

3.3 长度惩罚：给思维链装上节流阀

长度惩罚的设计相当精细，分段函数如下：

len_reward(i) = λ  (当 r=1)；  min(0, λ)  (当 r=0)
其中  λ = 0.5 − ( len(i) − lenmin ) / ( lenmax − lenmin )

语义是双向的：答对的题，越短奖励越高（λ 从 0.5 线性降到 −0.5）；答错的题，越短惩罚越轻、越长惩罚越重。也就是说，无论答对与否，啰嗦都是被抑制的，但答错时不会因为「碰巧简短」获得正奖励。由于初始训练就上长度惩罚会拖慢学习，作者采用 warm-up：先标准无惩罚训练，再加常数惩罚过渡，最后启用完整分段函数。（推断）这个三段式引入顺序暗示长度惩罚与能力习得存在张力——模型还没学会推理时就逼它精简，会扼杀必要的探索性冗余。

3.4 采样策略：curriculum + prioritized 双引擎

Curriculum Sampling先易后难。理由直白——初始 RL 性能弱，硬题只会浪费算力；先在全量题上热身，再聚焦难题。消融（图9）显示显著优于 uniform baseline。
Prioritized Sampling追踪每题成功率 si，按 1−si 的比例采样，集中火力于弱项。（推断）本质是把课程学习与主动学习的思想搬进 RL 采样循环，代价仅是维护每题的成功率统计，性价比极高。

3.5 训练配方：奖励模型、代码沙盒与视觉 RL

CoT-RM（CoT 奖励模型）

用约 800k CoT-labeled 样本微调 Kimi 模型，输出 JSON 判定并附逐步推理。手动抽查准确率达 98.5，远超 Classic RM 的 84.4，故 RL 采用 CoT-RM。（推断）11 个百分点的差距说明「先推理再判定」的奖励模型显著更可靠——这与主模型的长-CoT 哲学一脉相承：让裁判也先想清楚再打分。

代码与 SFT 基础

Vision RL 数据三类

类型内容作用
real-world科学图题、位置猜测、图表分析真实世界感知推理
synthetic visual reasoning程序化生成图像：几何/空间/物体交互可控难度的空间推理
text-rendered把文本/代码渲染成图像增强跨模态一致性

（推断）第三类尤其巧妙——它让「同一个推理任务」既能以文本形式也能以图像形式出现，从数据侧强行打通模态边界，这可能是 k1.5 多模态推理能力的重要来源。

3.6 预训练与上下文激活

预训练分三阶段：vision-language pretraining（先建立语言基础，再逐步并入多模态）→ cooldown（curated + synthetic 数据降温收敛）→ long-context activation（激活 131,072 token 上下文）。语言数据覆盖英/中/代码/数学推理/知识五域。时序安排：先 32k 序列训 1 epoch（LR 2e-5 → 2e-6），再 128k 序列训 1 epoch（重新 warm 到 1e-5 → 1e-6），全程 packing。（推断）「cooldown + long-context activation」的两段收尾设计后来被多家实验室效仿，成为长上下文预训练的事实范式之一。

3.7 RL 基础设施：被低估的硬核贡献

论文 §2.6 的基础设施章节篇幅可观，三项工程值得单独记录：

① Partial Rollouts固定输出 token 预算截断每条轨迹，长短轨迹都高效；新 rollout 复用先前轨迹的大块前缀，避免从零重生成。这对 128K 上下文的 RL 至关重要——否则每条长思维链都从头采样，算力将不可承受。
② Hybrid DeploymentMegatron（训练）与 vLLM（推理）以 Kubernetes Sidecar 形式共处一个 pod、共享 GPU；checkpoint-engine 管理生命周期；Mooncake + RDMA 传 checkpoint。效果：训练→推理 <1 分钟，推理→训练约 10 秒。（推断）大幅提高 GPU 利用率，是「训练与推理互相等待」这一经典痛点的高分答卷。
③ Code SandboxKubernetes 服务，以 Crun 替代 Docker、cgroup 复用、overlayfs+tmpfs 设上界。容器启动 0.12s → 0.04s；16-core 单机吞吐 27 → 120 containers/sec。代码类 RL 的验证瓶颈由此解除。
一句话小结：方法体系是「三层楼」——数据层用三原则策展 + 自适配难度把关，算法层用镜像下降 + 长度惩罚 + 课程采样驱动学习，系统层用 partial rollout + 混合部署 + 毫秒级沙盒托住 128K 长上下文 RL 的算力开销。

四证据评估：主表逐行解读与消融链条

4.1 长-CoT 主表（表2）：与 o1 的正面交锋

基准QwQ-32Bo1-miniOpenAI o1Kimi k1.5判定
MATH-500 (EM)90.690.094.896.2★ 超 o1 +1.4
AIME 202450.063.674.477.5★ 超 o1 +3.1
Codeforces (Pct)62889494◆ 并列
LiveCodeBench40.653.167.262.5✗ 落后 4.7
MathVista-Test––71.074.9★ 超 o1 +3.9
MMMU-Val––77.370.0✗ 落后 7.3
MathVision-Full–––38.6无 o1 对照

逐行解读：数学双榜（MATH-500、AIME）与视觉数学（MathVista）三项超过 o1，Codeforces 打平，构成「达到或匹配 o1」宣称的主干。短板集中在两处——LiveCodeBench 落后 4.7 点、MMMU-Val 落后 7.3 点。（推断）LiveCodeBench 的差距可能与代码 RL 数据覆盖面有关（§2.3.5 明确限定了自动测试用例生成的适用范围）；MMMU 的差距则提示知识型多模态问答并非长-CoT 推理的强项——推理扩容主要放大的是「解题」而非「识记」。

4.2 短-CoT 主表（表3）：long2short 的实战检验

基准Qwen2.5-72BClaude-3.5-Sonnet-1022GPT-4o-0513Kimi k1.5 (short)判定
MMLU (EM)85.388.387.287.4★ 最优
IF-Eval (Prompt Strict)84.186.584.387.2★ 最优
CLUEWSC (EM)91.485.487.991.7★ 最优
C-Eval (EM)86.176.776.088.3★ 大幅领先
MATH-50080.078.374.694.6★ 碾压级
AIME 202423.316.09.360.8★ 碾压级
LiveCodeBench31.136.333.447.3★ 领先 11 点
HumanEval-Mul77.381.780.581.5微逊 0.2
MathVista-Test–65.363.870.1★ 领先 4.8

核心看点：短-CoT 模型在不展开长思维链的前提下，AIME 2024 达 60.8，对 GPT-4o（9.3）/ Claude-3.5（16.0）形成最高 +550% 的相对优势；MATH-500 的 94.6 甚至逼近自己长-CoT 版本的 96.2。通用能力（MMLU 87.4、C-Eval 88.3、CLUEWSC 91.7）同步在线，说明 long2short 迁移没有以牺牲通用性为代价。（推断）「MATH-500 短版≈长版」暗示：对多数数学题，模型真正需要的不是超长思考而是「正确的推理骨架」，长-CoT 的边际价值集中在少数极难题目上。

4.3 长上下文缩放的证据（图5/图6）

§3.3 提供两条互补证据：其一，中小型模型随 RL 迭代推进，response length 与 accuracy 同步上升，且越难的基准（AIME2024、GPQA 等）response length 增速越陡——即模型自发地「用更长的思考换取更高的正确率」；其二，各基准上 model performance 与 response length 强相关，斜率约在 1e-5 ~ 4e-5 区间。（推断）这两张图合起来是对「context is search」假说的直接实证：思考预算与解题能力之间存在近似单调的交易关系，且交易汇率因题目难度而异。这也是「测试时计算扩展」命题最早期的系统性量化证据之一。

4.4 Long2short 的证据（图7）

§3.4 将 k1.5-long 及其各式 long2short 产物与 Claude-3.5、DeepSeek-V3、GPT-4-0513 同图对比 MATH500/AIME2024 的性能-token 曲线：k1.5 系列在同等 token 预算下全面占优，k1.5-shortest 为最省 token 版本。对比技术还包括 DPO、最短拒绝采样、模型合并等横向比较。（推断）这张图的实际意义是为部署决策提供「性能-成本帕累托前沿」：不同业务场景可在曲线上选点，而非被迫接受单一模型形态。

4.5 消融研究：三个组件的必要性验证

模型尺寸 vs 上下文长度（图8）较小模型用更长 CoT 可追平大模型，但大模型 token 效率更好；追求最强性能→大模型+更长上下文上限更高且更省 token；测试时计算受限→小模型+大上下文可行。给出了「参数规模」与「思考长度」两个扩展维度的互换关系。
负梯度（图10）对比 ReST（只拟合当前模型最优响应、无负梯度），本文方法在 OMNI-MATH500/MATH500/AIME2024/GPQA 上样本复杂度明显更优——负梯度显著提升长 CoT 生成效率，直接支撑 2.3 节的反直觉立场。
采样策略（图9）curriculum sampling（先 warm-up 全量、再专注硬题）显著优于 uniform baseline，验证了课程式采样的必要性。
一句话小结：证据体系呈「三线并进」——主表证明能力天花板（match o1）、短-CoT 表证明成本可控（+550%）、消融证明每个组件各有其功，唯代码与知识型多模态两处留有明显缺口。

五批判审视：局限的深层含义与独立疑点

5.1 作者自述局限的深层含义

  1. 长-CoT 的 token 成本仍然存在：long2short 只是缓解而非消除（§2.4 引言承认）。深层含义是：测试时计算的账单只是被转移（训练时更贵的教师 + 部署时蒸馏），并未消失——推理能力的总经济成本仍需长期核算。
  2. Overthinking 待解：结论部分作者明确承认需要研究「减少 overthinking 而不损害探索能力」的 credit assignment 改进。这与 2.3 的负梯度立场形成有趣张力——既要鼓励试错，又要防止无效徘徊，（推断）这正是后续推理模型研究的核心难题之一。
  3. Reward hacking 只能规避不能根除：依赖 prompt 可验证性 + pass-rate 难度过滤 + 双奖励模型三重防线，但作者清楚这是 RL 固有的持续性风险（§2.1）。
  4. 代码 reward 覆盖受限：自动测试用例生成只适用于无需 special judge、有 ground truth solution 的题目，大量真实软件工程任务（交互式环境、隐式规范）仍在射程之外。

5.2 独立观察到的五个疑点

① 两处明显短板未被归因

LiveCodeBench（62.5 vs o1 的 67.2）与 MMMU-Val（70.0 vs o1 的 77.3）是长-CoT 主表中仅有的两项显著落后，论文未给出针对性分析。（推断）前者可能源于代码 RL 数据的覆盖限制，后者则指向更重要的问题：长-CoT 推理范式对「感知/记忆密集型」任务的收益可能天然有限——拉长思考未必有帮助，甚至可能引入过度推理的干扰。这一点在短-CoT 表同样成立：MMMU-Val 68.0 低于 GPT-4o 的 69.1，MathVision-Full 31.0 也低于 Claude 的 35.6。

② 短-CoT 表的 VLM 数字来自第三方平台

论文明确说明短-CoT 模型的 VLM 性能取自 OpenCompass 平台评测结果（§3.1），横表对比存在口径依赖——各家模型是否在完全相同的提示、解码配置下评测难以完全核实。（推断）虽然 OpenCompass 是相对中立的标准平台，但引用第三方跑分与自己实测混排在同一张表中，严格意义上削弱了表3的可比性等级。

③ 复现门槛极高

完整管线为 pretrain → vanilla SFT（约 1M 样本）→ long-CoT SFT → RL（128K 上下文）→ long2short RL 五阶段，叠加 800k CoT-RM 训练数据、自建代码沙盒与混合部署集群。（推断）即便论文写得再开明，能完整复现的组织在全球也是个位数——这份报告更像「能力证明 + 路线指引」，而非可操作的 recipe。

④ 模型未开放权重

报告未提及任何权重开源或 API 之外的可获得性安排。（推断）与同期 DeepSeek R1 的开源策略相比，社区从 k1.5 获得的主要是方法论知识而非可直接使用的资产，这在一定程度上限制了其工程细节（如 partial rollouts 的具体实现）被独立验证的机会。

⑤ 「+550%」相对优势的表述方式

摘要以「+550%」（AIME 上，vs GPT-4o/Claude-3.5-Sonnet）呈现短-CoT 优势，这是相对百分比（60.8 vs 9.3 ≈ 553%）。（推断）绝对差 51.5 点当然同样惊人，但相对表述在小基数场景下有放大观感的效果——GPT-4o-0513 本就不以竞赛数学见长，此对比更多是营销性而非科学性陈述。

一句话小结：这篇报告的证据诚实度整体较高（短板如实列出、消融齐全），但「match o1」的光环之下，代码与知识型多模态的结构性短板、第三方口径混排、不可复现的门槛，共同划定了这条路线当时的真实边界。

六启示提炼：可迁移的经验与历史坐标

6.1 六条可迁移启示

  1. 「上下文即搜索空间」是可推广的架构哲学：把显式搜索（树、图、状态机）展平进 context 让模型自学，这一思路不限于数学推理——任何「可用序列表达搜索过程」的领域（程序合成、游戏、Agent 任务规划）都可套用。（推断）后来业界流行的「let the model think longer」路线，源头正是这类工作的验证。
  2. 做减法是 RL 框架设计的竞争力：显式排除价值网络、MCTS、PRM 之后，系统反而更强、更稳、更易扩展。判断标准值得记住：当一个组件的存在是为了弥补上下文不够长时，扩上下文可能是更好的解法。
  3. 负梯度保护试错信号：ReST 式「只学好样本」的方法样本复杂度显著更差。凡涉及探索的任务（Agent、代码修复、科学发现），都应警惕「只用成功轨迹训练」的隐性浪费。
  4. 能力与成本分离交付：long2short 五技术提供了「训练期挥霍、部署期节约」的模板。最短拒绝采样尤其廉价高效——任何有多次采样条件的场景都可以立即使用。
  5. 基础设施是一等方法论：partial rollouts（复用轨迹前缀）、训练/推理同 pod 共享 GPU（切换 10 秒~1 分钟）、毫秒级代码沙盒（0.04s 启动、120 containers/sec），这些数字表明 128K 上下文 RL 的可行性一半靠算法、一半靠系统工程。做长上下文 RL 的团队应把 §2.6 当作必读。
  6. 难度自适配的数据策展：用模型自身的 pass rate 定义题目难度并按 1−si 优先采样弱项，是低成本高回报的训练技巧，可移植到任何可自动判分的 RL 场景。

6.2 历史坐标与未来走向

在 2025 年的推理模型编年史中，Kimi k1.5 是「RL 扩展范式」的三大早期公开验证之一（与 OpenAI o1、DeepSeek R1 并列），且是其中最早系统发表技术细节的多模态版本。其提出的三个命题——上下文长度可缩放、极简 RL 足够强、长短能力可迁移——在随后被反复证实并成为行业默认配置。遗留的开放问题同样清晰：

■总结

《Kimi k1.5》是一份「减法美学」的 RL 扩展宣言：它用 online mirror descent 变体砍掉价值函数、MCTS 与过程奖励模型，把省下的复杂度兑换成 128K 的 RL 上下文，让「思考步数即搜索步数」的长-CoT 范式在 AIME 2024（77.5）、MATH-500（96.2）、Codeforces（94 pct）、MathVista（74.9）上追平 OpenAI o1；再用 long2short 五技术把昂贵能力蒸馏进短-CoT 模型，以 AIME 60.8 对 GPT-4o/Claude-3.5 拿下最高 +550% 的效率优势。

证据链三线并进——主表立天花板、短-CoT 表立性价比、消融验组件必要性——同时坦率暴露了 LiveCodeBench（−4.7）与 MMMU（−7.3）的结构性短板。其最持久的影响或许不在某个分数，而在三条被验证的世界观：上下文是可缩放的搜索空间、RL 框架的简化即扩展、训练基础设施本身是一等公民。对于今天的研究者，这份报告仍然是理解「推理模型为何长成现在这个样子」的最佳起点之一。

▣ 报告自检（Self-Check）