NVIDIA 補齊 IMO 金牌推理配方：每題先生成 384 份證明，再以多輪評審篩選

NVIDIA 在過去兩天更新 Nemotron Labs IMO 2026 資源集，把先前論文中的數學專用 SFT、RL checkpoint、兩套訓練資料及 200 題 Nemotron‑IMO‑Bench 補齊，並公開實際提交證明與端到端推論配方。這套系統以自然語言完成 2026 國際數學奧林匹亞六題，得到 30／42 分、達金牌門檻；全程沒有形式證明器、搜尋引擎或外部數學工具。重要之處不只在分數，而是外界現在能檢查「金牌級」結果究竟用了多少候選生成、模型互評與選擇計算。

每題第一輪由通用、SFT 與 RL 三個 Nemotron 3 Ultra checkpoint，各自套用八種提示並為每種取樣 16 次，合計生成 384 份證明。去重後，每份證明分別交給 SFT 與 RL 模型各判斷八次，只有 16 次判斷全部通過才被接受。第二至第八輪會取證明池中最佳 16 份，帶入最多八則評審批註，再由三個模型各改寫四次，因此每輪另產生 192 個候選。最後，三個 checkpoint 又各以 IMO 的 0–7 分規則評閱決賽證明 16 次，即每份候選接受 48 次評分後才選出提交版本。

公開程式可連接任何 OpenAI 相容端點，會把每次請求寫成可恢復的 JSONL，並以提示、模型、輸入及設定雜湊阻止續跑時配置漂移；完整輸出還保留隨機種子、來源證明、批註和 token 用量。這提高了流程層級的可稽核性，卻不等於低成本重現：三個模型均約 561B 參數，completion 可配置至 512K token，而多輪候選數遠超一般 best‑of‑N 評測。研究者比較其他 IMO 成績時，應分開報告基礎模型、總推論 token、評審模型及選擇策略；下一步則是由獨立團隊重跑公開六題與全新題目，確認評審自洽是否能轉化為穩定的證明正確率。