IMO 金牌又被拿下了 这让人类做题家怎么活（）
这个模型训练基本思想就是避免模型靠蒙出正确答案得分，于是搞了个校验模型来看过程打分，又搞了个校验校验模型来看校验模型打的分是不是对的，不对就扣他工资
感觉有点像避免 Reward Hacking 的思路
比较值得提的是这个模型是基于 v3.2exp 的，有 DSA 以后推理成本降低了一截；所以它现在可能是大众唯一可以摸到的 IMO 金牌模型（虽然一次 Heavy 还是要一千块，以及大众真的有什么做数学题的需求吗
https://github.com/deepseek-ai/DeepSeek-Math-V2/blob/main/DeepSeekMath_V2.pdf
这个模型训练基本思想就是避免模型靠蒙出正确答案得分，于是搞了个校验模型来看过程打分，又搞了个校验校验模型来看校验模型打的分是不是对的，不对就扣他工资
感觉有点像避免 Reward Hacking 的思路
比较值得提的是这个模型是基于 v3.2exp 的，有 DSA 以后推理成本降低了一截；所以它现在可能是大众唯一可以摸到的 IMO 金牌模型（虽然一次 Heavy 还是要一千块，以及大众真的有什么做数学题的需求吗
https://github.com/deepseek-ai/DeepSeek-Math-V2/blob/main/DeepSeekMath_V2.pdf