测试时数学推理中的预算边界效应研究

一项研究基于 AIME、BrUMO 和 HMMT 的 19,200 条轨迹，评估了测试时数学推理在累积 token 预算上限处采取严格停止与允许完成的建议性策略的差异。在 4k 上限下，建议性停止可将弃权转化为正确答案，避免严格停止浪费未完成的前缀计算。实际成本对比显示低配置下建议性 4k 准确率高于严格 8k，且候选覆盖率增加并不必然提升最终准确率。