测试时数学推理中的预算边界效应研究

测试时数学推理在 token 预算耗尽时，允许推导完成（advisory）比严格截断（strict）具有显著边界效应。基于 AIME 等题目的 19,200 条轨迹回放显示，4k cap 下 advisory 策略主要通过减少弃答提升准确率，strict 则为空白前缀浪费了计算成本；此外提高候选覆盖率未必能提升准确率，32k cap 下同上限多数投票准确率差异缩小至 1.3 个百分点以内。