Zum Hauptinhalt springen
Niklas Muennighoff et al.

Tausend kuratierte Beispiele und ein hartes Token-Limit genügen, um ein kleines Modell an größeren Reasoning-Systemen vorbeizuziehen. 2025, kostenlos.

s1: Simple test-time scaling

s1: Einfache Skalierung zur Testzeit

Niklas Muennighoff ∗134^{*1^{3}4} Zitong Yang ∗1^{*1} Weijia Shi ∗23^{*2^{3}} Xiang Lisa Li ∗1^{*1} Li Fei-Fei 1^{1} Hannaneh Hajishirzi 23^{2^{3}} Luke Zettlemoyer 2^{2} Percy Liang 1^{1} Emmanuel Candès 1^{1} Tatsunori Hashimoto 1^{1}

Zusammenfassung

Die Skalierung zur Testzeit ist ein vielversprechender neuer Ansatz für die Sprachmodellierung, bei dem zusätzliche Rechenleistung zur Testzeit eingesetzt wird, um die Leistung zu verbessern. Kürzlich zeigte OpenAIs o1-Modell diese Fähigkeit, teilte seine Methodik jedoch nicht öffentlich, was zu vielen Nachahmungsversuchen führte. Wir suchen nach dem einfachsten Ansatz, um Skalierung zur Testzeit und starke Schlussfolgerungsleistung zu erreichen. Zuerst stellen wir einen kleinen Datensatz s1K mit 1.000 Fragen zusammen, gepaart mit Schlussfolgerungsspuren, wobei wir uns auf drei Kriterien stützen, die wir durch Ablationen validieren: Schwierigkeit, Vielfalt und Qualität. Zweitens entwickeln wir Budget Forcing, um die Rechenleistung zur Testzeit zu steuern, indem wir den Denkprozess des Modells zwangsweise beenden oder ihn verlängern, indem wir „Wait“ mehrfach an die Generierung des Modells anhängen, wenn es versucht zu enden. Dies kann das Modell dazu bringen, seine Antwort zu überprüfen, wodurch es oft fehlerhafte Schlussfolgerungsschritte korrigiert. Nach überwachtem Finetuning des Sprachmodells Qwen2.5-32B-Instruct auf s1K und Ausstattung mit Budget Forcing übertrifft unser Modell s1-32B o1-preview bei Wettbewerbs-Mathematikaufgaben um bis zu 27%27\% (MATH und AIME24). Darüber hinaus ermöglicht die Skalierung von s1-32B mit Budget Forcing eine Extrapolation über seine Leistung ohne Eingriff zur Testzeit hinaus: von 50%50\% auf 57%57\% bei AIME24. Unser Modell, unsere Daten und unser Code sind Open Source unter https://github.com/simplescaling/s1 verfügbar.

1. Einleitung

Leistungsverbesserungen von Sprachmodellen (LMs) in den vergangenen Jahren beruhten weitgehend auf der Skalierung der Rechenleistung zur Trainingszeit mittels groß angelegtem selbstüberwachtem Pretraining (Kaplan et al., 2020; Hoffmann et al., 2022). Die Erschaffung dieser leistungsfähigen Modelle hat die Bühne für ein neues Skalierungsparadigma auf ihrer Grundlage bereitet: die Skalierung zur Testzeit. Das Ziel

Abbildung 1. Testzeit-Skalierung mit s1-32B. Wir vergleichen s1-32B bei rechenintensiven Aufgaben und variieren den Testzeit-Rechenaufwand.
Abbildung 1. Testzeit-Skalierung mit s1-32B. Wir vergleichen s1-32B bei rechenintensiven Aufgaben und variieren den Testzeit-Rechenaufwand.

dieses Ansatzes ist es, die Rechenleistung zur Testzeit zu erhöhen, um bessere Ergebnisse zu erzielen. Es gibt bereits viele Arbeiten, die diese Idee untersuchen (Snell et al., 2024; Welleck et al., 2024), und die Tragfähigkeit dieses Paradigmas wurde kürzlich durch OpenAI o1 validiert (OpenAI, 2024). o1 hat starke Schlussfolgerungsleistung mit konsistenten Zugewinnen durch Skalierung der Rechenleistung zur Testzeit demonstriert. OpenAI beschreibt seinen Ansatz als Verwendung von groß angelegtem Reinforcement Learning (RL), was den Einsatz beträchtlicher Datenmengen impliziert (OpenAI, 2024). Dies hat zu verschiedenen Versuchen geführt, ihre Modelle nachzubilden, wobei Techniken wie Monte-Carlo-Baumsuche (Gao et al., 2024b; Zhang et al., 2024a), Multi-Agenten-Ansätze (Qin et al., 2024) und andere (Wang et al., 2024a; Huang et al., 2024b; 2025) zum Einsatz kommen. Unter diesen Ansätzen hat DeepSeek R1 (DeepSeek-AI et al., 2025) erfolgreich eine Leistung auf o1-Niveau nachgebildet, ebenfalls unter Einsatz von Reinforcement Learning über Millionen von Beispielen und mehrere Trainingsphasen hinweg. Trotz der großen Zahl von o1-Nachbildungsversuchen hat jedoch keiner öffentlich ein klares Skalierungsverhalten zur Testzeit nachgebildet. Daher fragen wir: Was ist der einfachste Ansatz, um sowohl Skalierung zur Testzeit als auch starke Schlussfolgerungsleistung zu erreichen?Wir zeigen, dass Training auf nur 1.000 Beispielen mit Next-Token-Vorhersage und die Steuerung der Denkdauer über eine einfache Technik zur Testzeit, die wir Budget Forcing nennen, zu einem starken Schlussfolgerungsmodell führt, dessen Leistung mit mehr Rechenleistung zur Testzeit skaliert. Konkret konstruieren wir s1K, das aus 1.000 sorgfältig ausgewählten Fragen besteht, gepaart mit Schlussfolgerungsspuren und Antworten, die von Gemini Thinking Experimental (Google, 2024) destilliert wurden. Wir führen überwachtes Finetuning (SFT) eines vortrainierten Off-the-Shelf-Modellsauf unserem kleinen Datensatz durch, was nur 26 Minuten Training auf 16 H100-GPUs erfordert. Nach dem Training steuern wir die Menge an Rechenleistung zur Testzeit, die unser Modell aufwendet, mittels Budget Forcing: (I) Wenn das Modell mehr Denk-Token generiert als ein gewünschtes Limit, beenden wir den Denkprozess zwangsweise, indem wir ein End-of-Thinking-Token-Trennzeichen anhängen. Ein Beenden des Denkens auf diese Weise bewirkt, dass das Modell dazu übergeht, seine Antwort zu generieren. (II) Wenn wir möchten, dass das Modell mehr Rechenleistung zur Testzeit für ein Problem aufwendet, unterdrücken wir die Generierung des End-of-Thinking-Token-Trennzeichens und hängen stattdessen „Wait“ an die aktuelle Schlussfolgerungsspur des Modells an, um mehr Exploration zu fördern. Ausgestattet mit diesem einfachen Rezept – SFT auf 1.000 Beispielen und Budget Forcing zur Testzeit – zeigt unser Modell s1-32B Skalierung zur Testzeit (Abbildung 1). Darüber hinaus ist s1-32B das probeneffizienteste Schlussfolgerungsmodell und übertrifft geschlossene Modelle wie OpenAIs o1-preview (Abbildung 2).

Wir führen umfangreiche Ablationsexperimente durch, die auf (a) unsere Auswahl von 1.000 (1K) Schlussfolgerungsbeispielen und (b) unsere Skalierung zur Testzeit abzielen. Für (a) stellen wir fest, dass die gemeinsame Einbeziehung von Schwierigkeits-, Vielfalts- und Qualitätsmaßen in unseren Auswahlalgorithmus wichtig ist. Zufällige Auswahl, die Auswahl von Beispielen mit den längsten Schlussfolgerungsspuren oder die ausschließliche Auswahl maximal vielfältiger Beispiele führen alle zu deutlich schlechterer Leistung (im Durchschnitt etwa −30%- 30\% bei AIME24). Das Training auf unserem vollständigen Datenpool von 59K Beispielen, einer Obermenge von s1K, bietet keine wesentlichen Zugewinne gegenüber unserer 1K-Auswahl. Dies unterstreicht die Bedeutung sorgfältiger Datenauswahl und bestätigt frühere Befunde für Instruction Tuning (Zhou et al., 2023). Für (b) definieren wir Anforderungen an Methoden zur Skalierung zur Testzeit, um verschiedene Ansätze zu vergleichen. Budget Forcing führt zur besten Skalierung, da es eine perfekte Kontrollierbarkeit mit einer klaren positiven Steigung aufweist, die zu starker Leistung führt.

Zusammenfassend sind unsere Beiträge: Wir entwickeln einfache Methoden zur Erstellung eines probeneffizienten Schlussfolgerungsdatensatzes (§2) und zur Skalierung zur Testzeit (§3); auf deren Grundlage bauen wir s1-32B, das mit o1-preview konkurrenzfähig ist (§4); wir untersuchen Subtilitäten der Daten (§5.1) und der Skalierung zur Testzeit (§5.2) durch Ablationen. Wir schließen mit einer Diskussion, um zukünftige Arbeiten zu einfachem Schlussfolgern zu motivieren (§6). Unser Code, unser Modell und unsere Daten sind Open Source unter https://github.com/simplescaling/s1 verfügbar.

2. Kuratierung von Schlussfolgerungsdaten zur Erstellung von s1K

In diesem Abschnitt beschreiben wir unseren Prozess zur Erstellung eines großen Datensatzes zunächst in §2.1 und dann dessen Filterung auf s1K in §2.2.

2.1. Erste Sammlung von 59K Beispielen

Wir sammeln zunächst 59.029 Fragen aus 16 Quellen nach drei Leitprinzipien. Qualität: Datensätze sollten von hoher Qualität sein; wir prüfen stets Stichproben und ignorieren Datensätze mit z. B. schlechter Formatierung; Schwierigkeit: Datensätze sollten herausfordernd sein und erheblichen Schlussfolgerungsaufwand erfordern; Vielfalt: Datensätze sollten aus verschiedenen Bereichen stammen, um unterschiedliche Schlussfolgerungsaufgaben abzudecken. Wir sammeln Datensätze aus zwei Kategorien:

Kuratierung bestehender Datensätze Unsere größte Quelle ist NuminaMATH (LI et al., 2024) mit 30.660 mathematischen Problemen von Online-Websites. Wir beziehen außerdem historische AIME-Probleme (1983–2021) ein. Um die Vielfalt zu erhöhen, fügen wir OlympicArena (Huang et al., 2024a) mit 4.250 Fragen aus Astronomie, Biologie, Chemie, Informatik, Geographie, Mathematik und Physik aus verschiedenen Olympiaden hinzu. OmniMath (Gao et al., 2024a) fügt 4.238 Mathematikprobleme auf Wettbewerbsniveau hinzu. Wir beziehen außerdem 2.385 Probleme aus AGIEval (Zhong et al., 2023) ein, das Fragen aus standardisierten Tests wie SAT und LSAT umfasst und Englisch, Recht und Logik abdeckt. Für unsere weiteren Quellen verweisen wir auf Tabelle 7 in §C.

Neue Datensätze im quantitativen Schlussfolgern Zur Ergänzung dieser bestehenden Datensätze erstellen wir zwei eigene Datensätze. s1-prob besteht aus 182 Fragen aus dem Wahrscheinlichkeitsabschnitt der PhD-Qualifikationsprüfungen der Statistikabteilung der Stanford University (https://statistics.stanford.edu), begleitet von handschriftlichen Lösungen, die schwierige Beweise abdecken. Die Wahrscheinlichkeits-Qualifikationsprüfung findet jährlich statt und erfordert mathematisches Problemlösen auf professionellem Niveau. s1-teasers umfasst 23 herausfordernde Denksportaufgaben, die häufig in Interviewfragen für Positionen im quantitativen Handel verwendet werden. Jedes Beispiel besteht aus einem Problem und einer Lösung, entnommen aus PuzzledQuant (https://www.puzzledquant.com/). Wir nehmen nur Beispiele mit dem höchsten Schwierigkeitsgrad („Hard“) auf.

Für jede Frage generieren wir eine Schlussfolgerungsspur und eine Lösung mithilfe der Google Gemini Flash Thinking API (Google, 2024), wobei wir ihre Schlussfolgerungsspur und Antwort extrahieren. Dies ergibt 59K Tripel aus einer Frage, einer generierten Schlussfolgerungsspur und einer generierten Lösung. Beispiele aus unserem Datensatz finden sich in §D.2. Wir dekontaminieren alle Stichproben gegen unsere Evaluationsfragen (MATH500, GPQA Diamond, AIME24; §C.5) mithilfe von 8-Grammen und deduplizieren die Daten.

2.2. Endgültige Auswahl von 1K Beispielen

Wir könnten direkt auf unserem Pool von 59.000 Fragen trainieren, jedoch ist unser Ziel, den einfachsten Ansatz mit minimalen Ressourcen zu finden. Daher durchlaufen wir drei Filterstufen, um zu einem minimalen Satz von 1.000 Beispielen zu gelangen, wobei wir uns auf unsere drei leitenden Datenprinzipien stützen: Qualität, Schwierigkeit und Vielfalt.

Qualität Zunächst entfernen wir alle Fragen, bei denen API-Fehler aufgetreten sind, wodurch unser Datensatz auf 54.116 Beispiele reduziert wird. Als Nächstes filtern wir Beispiele geringer Qualität heraus, indem wir prüfen, ob sie Zeichenfolgenmuster mit Formatierungsproblemen enthalten, wie etwa ASCII-Art-Diagramme, nicht existierende Bildverweise oder inkonsistente Fragennummerierungen, wodurch unser Datensatz auf 51.581 Beispiele reduziert wird.

Abbildung 2. s1K und s1-32B. (links) s1K ist ein Datensatz aus 1.000 hochwertigen, vielfältigen und schwierigen Fragen mit Reasoning-Traces. (rechts) s1-32B, ein 32B-Parameter-Modell, das auf s1K feinabgestimmt wurde, liegt an der Grenze der Stichprobeneffizienz. Details zu anderen Modellen finden sich in Tabelle 1.
Abbildung 2. s1K und s1-32B. (links) s1K ist ein Datensatz aus 1.000 hochwertigen, vielfältigen und schwierigen Fragen mit Reasoning-Traces. (rechts) s1-32B, ein 32B-Parameter-Modell, das auf s1K feinabgestimmt wurde, liegt an der Grenze der Stichprobeneffizienz. Details zu anderen Modellen finden sich in Tabelle 1.

Aus diesem Pool identifizieren wir 384 Beispiele für unsere endgültigen 1.000 Beispiele aus Datensätzen, die wir als hochwertig erachten und die keiner weiteren Filterung bedürfen (siehe §C.4 für Details).

Schwierigkeit Für die Schwierigkeit verwenden wir zwei Indikatoren: die Modellleistung und die Länge der Reasoning-Trace. Wir evaluieren zwei Modelle an jeder Frage: Qwen2.5-7B-Instruct und Qwen2.5-32B-Instruct (Qwen et al., 2024), wobei die Korrektheit von Claude 3.5 Sonnet bewertet wird, indem jeder Versuch mit der Referenzlösung verglichen wird (siehe §C.3 für das Bewertungsprotokoll). Wir messen die Token-Länge jeder Reasoning-Trace, um die Problemschwierigkeit anzuzeigen, wobei wir den Qwen2.5-Tokenizer verwenden. Dies beruht auf der Annahme, dass schwierigere Probleme mehr Denk-Token erfordern. Basierend auf der Bewertung entfernen wir Fragen, die entweder Qwen2.5-7B-Instruct oder Qwen2.5-32B-Instruct korrekt lösen können und die daher zu einfach sein könnten. Durch die Verwendung von zwei Modellen verringern wir die Wahrscheinlichkeit, dass ein einfaches Beispiel aufgrund eines seltenen Fehlers bei einer einfachen Frage eines der Modelle durch unsere Filterung schlüpft. Dadurch sinkt unsere Gesamtzahl der Beispiele auf 24.496, was die Grundlage für die nächste Runde der Unterabtastung basierend auf Vielfalt bildet. Obwohl die Filterung mit diesen beiden Modellen auf unser Setup optimiert sein mag, da wir Qwen2.5-32B-Instruct auch als unser Modell zum Finetuning verwenden werden, lässt sich die Idee der modellbasierten Filterung auf andere Setups verallgemeinern.

Diversität Um die Diversität zu quantifizieren, klassifizieren wir Fragen anhand des Mathematics Subject Classification (MSC)-Systems (z. B. Geometrie, Kombinatorik usw.) der American Mathematical Society mit Claude 3.5 Sonnet in Domänen.1 Die Taxonomie konzentriert sich auf Themen der Mathematik, umfasst aber auch andere Wissenschaften wie Biologie, Physik und Ökonomie. Um unsere endgültigen Beispiele aus dem Pool von 24.496 Fragen auszuwählen, wählen wir zunächst eine Domäne gleichmäßig zufällig aus. Dann entnehmen wir dieser Domäne ein Problem gemäß einer Verteilung, die längere Reasoning-Traces bevorzugt (siehe §C.4 für Details), wie unter Schwierigkeit motiviert. Wir wiederholen diesen Prozess, bis wir insgesamt 1.000 Stichproben über 50 Domänen hinweg haben.

In §5.1 werden wir zeigen, dass die Kombination unserer drei Kriterien wichtig ist, da das alleinige Verlassen auf Qualität, Diversität oder Schwierigkeit zu schlechteren Datensätzen führt. Einige destillierte Generierungen sind fehlerhaft, was wir in unseren Daten zulassen, da wir uns auf die Erfassung des Denkprozesses konzentrieren und nicht auf vollständig korrekte Lösungen. Unser Bewerter (§C.3) erachtet 53,6 % in s1K und 63,0 % in unserem Folge-Datensatz s1K-1.1 als korrekt (siehe §A).

3. Test-Time-Scaling

3.1. Methode

Wir klassifizieren Test-Time-Scaling-Methoden in 1) Sequenziell, wobei spätere Berechnungen von früheren abhängen (z. B. eine lange Denkspur), und 2) Parallel, wobei Berechnungen unabhängig voneinander ablaufen (z. B. Majority Voting) (Snell et al., 2024; Brown et al., 2024). Wir konzentrieren uns auf sequenzielles Scaling, da wir intuitiv glauben, dass es besser skalieren sollte, weil spätere Berechnungen auf Zwischenergebnissen aufbauen können, was tieferes Denken und iterative Verfeinerung ermöglicht. Wir schlagen neue sequenzielle Scaling-Methoden und Wege zu deren Benchmarking vor.

Budget Forcing Wir schlagen eine einfache Decoding-Time-Intervention vor, indem wir eine maximale und/oder minimale Anzahl von Denk-Tokens erzwingen. Konkret erzwingen wir eine maximale Token-Anzahl, indem wir einfach das End-of-Thinking-Token-Delimiter und optional „Final Answer:“ anhängen, um die Denkphase vorzeitig zu beenden

Abbildung 3. Budget-Forcing mit s1-32B. Das Modell versucht nach „...is 2.“ zu stoppen, aber wir unterdrücken das End-of-Thinking-Token-Delimiter und hängen stattdessen „Wait“ an, wodurch s1-32B seine Antwort selbst korrigiert.
Abbildung 3. Budget-Forcing mit s1-32B. Das Modell versucht nach „...is 2.“ zu stoppen, aber wir unterdrücken das End-of-Thinking-Token-Delimiter und hängen stattdessen „Wait“ an, wodurch s1-32B seine Antwort selbst korrigiert.

und das Modell dazu zu bringen, seine aktuelle beste Antwort zu geben. Um ein Minimum zu erzwingen, unterdrücken wir die Generierung des End-of-Thinking-Token-Delimiters und hängen optional die Zeichenkette „Wait“ an die aktuelle Denkspur des Modells an, um das Modell zu ermutigen, über seine aktuelle Generierung zu reflektieren. Abbildung 3 enthält ein Beispiel dafür, wie dieser einfache Ansatz das Modell zu einer besseren Antwort führen kann.

Baselines Wir benchmarken Budget Forcing mit: (I) Bedingten Längensteuerungsmethoden, die darauf beruhen, dem Modell im Prompt mitzuteilen, wie lange es generieren soll. Wir gruppieren sie nach Granularität in (a) Token-bedingte Steuerung: Wir geben im Prompt eine Obergrenze an Denk-Tokens an; (b) Schritt-bedingte Steuerung: Wir geben eine Obergrenze an Denkschritten an, wobei jeder Schritt etwa 100 Tokens umfasst; (c) Klassen-bedingte Steuerung: Wir schreiben zwei generische Prompts, die dem Modell sagen, entweder kurz oder lange zu denken (siehe §E.1 für Details). (II) Rejection Sampling, das sampelt, bis eine Generierung in ein vorgegebenes Rechenbudget passt. Dieses Orakel erfasst die Posterior-Verteilung über Antworten bedingt auf ihre Länge.

3.2. Metriken

Wir legen eine Reihe von Erwünschtheiten als Evaluationsmetriken fest, um Test-Time-Scaling über Methoden hinweg zu messen. Wichtig ist, dass wir uns nicht nur für die Genauigkeit interessieren, die eine Methode erreichen kann, sondern auch für ihre Kontrollierbarkeit und die Steigung des Test-Time-Scaling. Für jede betrachtete Methode führen wir eine Reihe von Evaluationen a∈Aa \in \mathcal{A} mit variierendem Test-Time-Compute auf einem festen Benchmark durch, z. B. AIME24. Dies erzeugt eine stückweise lineare Funktion ff mit dem Compute als x-Achse, gemessen in Denk-Tokens, und der Genauigkeit als y-Achse (siehe Abbildung 1, wobei der rechteste Punkt für AIME24 f(7320)=57%f(7320) = 57\% entspricht). Wir messendreiMetriken:

Control=1∣A∣∑a∈AI(amin⁡≤a≤amax⁡)(1)\mathrm{Control} = \frac{1}{|\mathcal{A}|}\sum_{a\in \mathcal{A}}\mathbb{I}(a_{\min}\leq a\leq a_{\max}) \quad (1)

wobei amin⁡,amax⁡a_{\min}, a_{\max} ein im Voraus festgelegtes Minimum bzw. Maximum an Test-Time-Compute bezeichnen; in unserem Fall Denk-Tokens. Üblicherweise beschränken wir nur amax⁡a_{\max}. Da die generierten Tokens der Menge an aufgewendetem Test-Time-Compute entsprechen, misst diese Metrik das Ausmaß, in dem eine Methode Kontrollierbarkeit über die Verwendung dieses Test-Time-Compute ermöglicht. Wir berichten sie als Prozentsatz, wobei 100%100\% perfekte Kontrolle bedeutet.

Scaling=1(∣A∣2)∑a,b∈Ab>af(b)−f(a)b−a(2)\mathrm{Scaling} = \frac{1}{\binom{|\mathcal{A}|}{2}}\sum_{\substack{a,b\in\mathcal{A}\\b>a}}\frac{f(b) - f(a)}{b - a} \quad (2)

Scaling ist die durchschnittliche Steigung der stückweise linearen Funktion. Sie muss für nützliche Methoden positiv sein, und größer ist besser.

Performance=max⁡a∈Af(a)(3)\mathrm{Performance} = \max_{a\in \mathcal{A}}f(a) \quad (3)

Performance ist einfach die maximale Leistung, die die Methode auf dem Benchmark erreicht. Eine Methode mit monoton steigendem Scaling erreicht im Grenzfall 100%100\% Performance auf jedem Benchmark. Allerdings flachen die von uns untersuchten Methoden schließlich ab, oder weiteres Scaling scheitert aufgrund von Einschränkungen der Kontrolle oder des Kontextfensters.

4. Ergebnisse

4.1. Aufbau

Training Wir führen überwachtes Finetuning auf Qwen2.5-32B-Instruct mit s1K durch, um unser Modell s1-32B zu erhalten, wobei wir grundlegende Hyperparameter aus §D verwenden. Das Finetuning dauerte 26 Minuten auf 16 NVIDIA H100 GPUs mit PyTorch FSDP.

Bewertung Wir wählen drei repräsentative Reasoning-Benchmarks aus, die in diesem Bereich weit verbreitet sind: AIME24 (of America, 2024) umfasst 30 Aufgaben, die in der 2024 American Invitational Mathematics Examination (AIME) verwendet wurden, die vom 31. Januar bis 1. Februar 2024 stattfand. Die AIME prüft mathematisches Problemlösen mit Arithmetik, Algebra, Kombinatorik, Geometrie, Zahlentheorie, Wahrscheinlichkeit und anderen Themen der Sekundarstufe. Leistungsstarke High-School-Schülerinnen und -Schüler im Test werden eingeladen, an der United States of America Mathematics Olympiad (USAMO) teilzunehmen. Alle AIME-Antworten sind ganze Zahlen von 000 bis 999 einschließlich. Einige AIME-Aufgaben beruhen auf Abbildungen, die wir unserem Modell mit der Vektorgrafiksprache Asymptote bereitstellen, da es keine Bildeingaben verarbeiten kann. MATH500 (Hendrycks et al., 2021) ist ein Benchmark aus Wettbewerbsmathematikaufgaben unterschiedlicher Schwierigkeit. Wir evaluieren auf denselben 500 Stichproben, die OpenAI in früherer Arbeit ausgewählt hat (Lightman et al., 2023). GPQA Diamond (Rein et al., 2023) besteht aus 198 Wissenschaftsfragen auf PhD-Niveau

Abbildung 4. Sequenzielle und parallele Testzeit-Skalierung. (a): Budget-Forcing zeigt klare Skalierungstrends und lässt sich bis zu einem gewissen Grad extrapolieren. Bei den drei rechtsstehenden Punkten hindern wir das Modell 2/4/6 Mal daran, sein Nachdenken zu beenden, wobei wir jedes Mal „Wait" an seine aktuelle Argumentationsspur anhängen. (b): Für Qwen2.5-32B-Instruct führen wir 64 Auswertungen pro Stichprobe mit einer Temperatur von 1 durch und visualisieren die Leistung bei Mehrheitswahl über 2, 4, 8, 16, 32 und 64 dieser Auswertungen.
Abbildung 4. Sequenzielle und parallele Testzeit-Skalierung. (a): Budget-Forcing zeigt klare Skalierungstrends und lässt sich bis zu einem gewissen Grad extrapolieren. Bei den drei rechtsstehenden Punkten hindern wir das Modell 2/4/6 Mal daran, sein Nachdenken zu beenden, wobei wir jedes Mal „Wait" an seine aktuelle Argumentationsspur anhängen. (b): Für Qwen2.5-32B-Instruct führen wir 64 Auswertungen pro Stichprobe mit einer Temperatur von 1 durch und visualisieren die Leistung bei Mehrheitswahl über 2, 4, 8, 16, 32 und 64 dieser Auswertungen.

aus Biologie, Chemie und Physik. Expertinnen und Experten mit PhD in den entsprechenden Bereichen erreichten auf GPQA Diamond nur 69,7%69,7\% (OpenAI, 2024). Wenn wir in dieser Arbeit im Kontext der Evaluation „GPQA“ schreiben, meinen wir stets die Diamond-Teilmenge. Wir bauen auf dem Framework „lm-evaluation-harness“ auf (Gao et al., 2021; Biderman et al., 2024). Sofern nicht anders angegeben, evaluieren wir mit einer Temperatur von 0 (greedy) und messen die Genauigkeit (äquivalent zu pass@1).

Andere Modelle Wir vergleichen s1-32B mit: der OpenAI-o1-Serie (OpenAI, 2024), Closed-Source-Modellen, die Test-Time-Scaling populär gemacht haben; der DeepSeek-r1-Serie (DeepSeek-AI et al., 2025), Open-Weight-Reasoning-Modellen mit bis zu o1-Level-Leistung; Qwens QwQ-32B-preview (Team, 2024), einem 32B-Open-Weight-Reasoning-Modell ohne offengelegte Methodik; Sky-T1-32B-Preview (Team, 2025) und Bespoke-32B (Labs, 2025), offenen Modellen mit offenen Reasoning-Daten, destilliert aus QwQ-32B-preview und r1; Google Gemini 2.0 Flash Thinking Experimental (Google, 2024), der API, aus der wir destillieren. Da es keine offiziellen Evaluationsergebnisse gibt, verwenden wir die Gemini-API, um es selbst zu benchmarken. Allerdings macht der „recitation error“ der Gemini-API die Evaluation schwierig.2 Wir umgehen dies, indem wir alle 30 AIME24-Aufgaben manuell in ihre Weboberfläche eingeben, wo der Fehler nicht auftritt. MATH500 (500 Aufgaben) und GPQA Diamond (198 Aufgaben) lassen wir jedoch aus; daher sind sie in Tabelle 1 N.A. Unser Modell s1-32B ist vollständig offen, einschließlich Gewichte, Reasoning-Daten und Code.

Modellex.AIME 2024MATH 500GPQA Diamond
Nur API
o1-previewk. A.44,685,573,3
o1-minik. A.70,090,060,0
o1k. A.74,494,877,3
Gemini 2.0k. A.60,0k. A.k. A.
Flash Think.
Offene Gewichte
Qwen2.5-32B-Instructk. A.26,784,049,0
QwQ-32Bk. A.50,090,654,5
r1≥800K79,897,371,5
r1-distill800K72,694,362,1
Offene Gewichte und offene Daten
Sky-T117K43,382,456,8
Bespoke-32B17K63,393,058,1
s1 w/o BF1K50,092,656,6
s1-32B1K56,793,059,6
Tabelle 1. s1-32B ist ein starkes offenes Reasoning-Modell. Wir evaluieren s1-32B, Qwen und Gemini (einige Einträge sind unbekannt (N.A.), siehe §4\S 4). Die übrigen Ergebnisse stammen aus den jeweiligen Berichten (Qwen et al., 2024; Team, 2024; OpenAI, 2024; DeepSeek-AI et al., 2025; Labs, 2025; Team, 2025). # ex. = Anzahl der für das Reasoning-Finetuning verwendeten Beispiele; BF = Budget Forcing. Siehe §A\S \mathrm{A} für unser besseres s1.1-Modell.
Qwen2.5-32B-Instruct
N.A.26,784,0QwQ-32B
N.A.50,090,6r1
≥800K79,897,3r1-distill
800K72,694,3Offene Gewichte und offene Daten
Sky-T1
17K43,382,4Bespoke-32B
17K63,393,0s1 ohne BF
1K50,092,6s1-32B
1K56,793,0
s1 ohne Bf⁺ 1K 50,0 92,6 56,6 s1-32B 1K 56,7 93,0 59,6

4.2. Leistung

Test-Time-Scaling Abbildung 1 zeigt die Leistung von s1-32B mit Budget Forcing, die mit mehr Test-Time-Compute skaliert. In Abbildung 4 (links) erweitern wir den Plot aus Abbildung 1 (Mitte) und zeigen, dass wir zwar die AIME24-Leistung mit unserer Budget-Forcing-Technik (§3) und mehr Test-Time-Compute verbessern können, sie jedoch bei sechs Mal schließlich abflacht. Das End-of-Thinking-Token-Trennzeichen zu oft zu unterdrücken, kann das Modell in repetitive Schleifen statt zu fortgesetztem Reasoning führen. In Abbildung 4 (rechts) zeigen wir, dass Qwen2.5-32B-Instruct, nachdem es auf unseren 1.000 Stichproben trainiert wurde, um s1-32B zu erzeugen, und mit der einfachen Budget-Forcing-Technik ausgestattet wurde, in einem anderen Scaling-Paradigma operiert. Das Skalieren von Test-Time-Compute beim Basismodell mittels Majority Voting kann nicht mit der Leistung von s1-32B mithalten, was unsere Intuition aus §3 bestätigt, dass sequenzielles Skalieren effektiver ist als paralleles. Wir stellen Beispielgenerierungen von s1-32B in Abbildung 5 bereit.

Sample-Effizienz In Abbildung 2 (rechts) und Tabelle 1 vergleichen wir s1-32B mit anderen Modellen. Wir stellen fest, dass s1-32B das sample-effizienteste Open-Data-Reasoning-Modell ist. Es performt deutlich besser als unser Basismodell (Qwen2.5-32B-Instruct), obwohl es nur auf zusätzlichen 1.000 Stichproben trainiert wurde. Das gleichzeitig veröffentlichte r1-32B zeigt stärkere Leistung als s1-32B, während es ebenfalls nur SFT verwendet (DeepSeek-AI et al., 2025). Es wird jedoch auf 800×800\times mehr Reasoning-Stichproben trainiert. Es ist eine offene Frage, ob man ihre Leistung mit nur 1.000 Stichproben erreichen kann. Schließlich erreicht unser Modell auf AIME24 nahezu Gemini 2.0 Thinking. Da die Daten für s1-32B aus Gemini 2.0 destilliert wurden, zeigt dies, dass unser Destillationsverfahren wahrscheinlich effektiv war.

5. Ablationen

5.1. Datenmenge, Diversität und Schwierigkeit

In §2 haben wir unsere drei Leitprinzipien bei der Kuratierung von s1K dargelegt: Qualität, Schwierigkeit und Diversität. Hier testen wir die Bedeutung ihrer Kombination und die Gesamtwirksamkeit unserer Auswahl. Nur Qualität (1K-random): Nachdem wir unsere hochwertigen Reasoning-Ketten von Gemini erhalten haben, wählen wir 1.000 Stichproben zufällig aus; dabei verlassen wir uns überhaupt nicht auf unsere Schwierigkeits- und Diversitätsfilterung. Tabelle 2 zeigt, dass dieser Ansatz über alle Benchmarks hinweg viel schlechter abschneidet als s1K. Nur Diversität (1K-diverse): Für diesen Datensatz sampeln wir gleichmäßig über Domänen, um die Diversität zu maximieren, ohne irgendeine Vorstellung von Schwierigkeit zu berücksichtigen. Dieser Ansatz führt ebenfalls zu schwacher Leistung ähnlich wie 1K-random. Nur Schwierigkeit (1K-longest): Hier verlassen wir uns auf einen unserer in §2 eingeführten Schwierigkeitsindikatoren, indem wir die 1.000 Stichproben mit den längsten Reasoning-Spuren auswählen. Dieser Ansatz steigert die GPQA-Leistung deutlich, bleibt insgesamt aber noch hinter der Verwendung von s1K zurück. Menge maximieren:

ModellAIME 2024MATH 500GPQA Diamond
1K-random36,790,652,0
[-26,7 %, -3,3 %][-4,8 %, 0,0 %][-12,6 %, 2,5 %]
1K-diverse26,791,254,6
[-40,0 %, -10,0 %][-4,0 %, 0,2 %][-10,1 %, 5,1 %]
1K-longest33,390,459,6
[-36,7 %, 0,0 %][-5,0 %, -0,2 %][-5,1 %, 10,1 %]
59K-full53,392,858,1
[-13,3 %, 20,0 %][-2,6 %, 2,2 %][-6,6 %, 8,6 %]
s1K50,093,057,6
Tabelle 2. s1K-Datenablationen. Wir begrenzen (Budget Force, BF) alle Ergebnisse in dieser Tabelle auf maximal etwa 30.000 Denk-Token. Dies erzielt etwas bessere Werte als die Ergebnisse ohne BF (Tabelle 1), da es dem Modell ermöglicht, mit einer besten Schätzung abzuschließen, wenn es in einer Endlosschleife feststeckt. Wir geben 95%95\%-gepaarte Bootstrap-Konfidenzintervalle für Differenzen relativ zum s1K-Modell unter Verwendung von 10.000 Bootstrap-Stichproben an. Z. B. bedeutet das Intervall [−13%,20%][- 13\% ,20\% ], dass mit 95%95\% Konfidenz die wahre Differenz zwischen 59K-full und s1K zwischen −13%-13\% und +20%+20\% liegt. Wenn das gesamte Intervall negativ ist, z. B. [−27%,−3%][- 27\% , - 3\% ], können wir mit Sicherheit sagen, dass die Leistung schlechter ist als die von s1K.

Schließlich vergleichen wir mit reinem Training auf allen unseren 59K Stichproben, einer Obermenge aller 1K-Stichproben-Versionen. Dies führt zu einem starken Modell, verbraucht aber viel mehr Ressourcen. Um auf 59K Stichproben zu finetunen, verwenden wir 394 H100-GPU-Stunden, während s1-32B nur 7 H100-GPU-Stunden benötigte. Darüber hinaus ist die alleinige Verwendung von s1K extrem konkurrenzfähig, wie in §2 gezeigt. Insgesamt ist die Kombination aller drei Kriterien – Qualität, Schwierigkeit, Diversität – über unsere Methodik in §2 entscheidend für sample-effizientes Reasoning-Training.

5.2. Test-Time-Scaling-Methoden

MethodeKontrolleSkalierungLeistung|A|
BF100%1556,75
TCC40%-2440,05
TCC + BF100%1340,05
SCC60%336,75
SCC + BF100%636,75
CCC50%2536,72
RS100%-3540,05
Tabelle 3. Ablationen zu Methoden zur Skalierung des Testzeit-Rechenaufwands bei AIME24. ∣A∣|A| bezeichnet die Anzahl der Evaluierungsläufe, die zur Schätzung der Eigenschaften verwendet wurden; ein höherer Wert deutet somit auf eine höhere Robustheit hin. Fettdruck kennzeichnet unsere gewählte Methode und die besten Werte. BF == Budget-Forcing, TCC/SCC/CCC == Token-/Schritt-/klassenbedingte Kontrolle, RS=\mathrm{RS} = Rejection Sampling.
[AIME24]

Alice und Bob spielen das folgende Spiel. Vor ihnen liegt ein Stapel von nn Spielmarken. Die Spieler sind abwechselnd an der Reihe, wobei Alice beginnt. In jedem Zug entfernt der Spieler entweder 1 Spielmarke oder 4 Spielmarken vom Stapel. Wer die letzte Spielmarke entfernt, gewinnt. Finde die Anzahl der positiven ganzen Zahlen nn kleiner oder gleich 2024, für die es eine Strategie für Bob gibt, die garantiert, dass Bob das Spiel gewinnt, unabhängig davon, wie Alice spielt.

Die Aufgabe fragt nach der Anzahl der positiven ganzen Zahlen n≤2024n\leq 2024, für die Bob eine Gewinnstrategie hat. Dies ist ein typisches impartiales Spiel, das mit dem Sprague-Grundy-Theorem oder durch direktes Finden der Gewinn- und Verlustpositionen analysiert werden kann. Sei WW die Menge der Gewinnpositionen (Anzahl der Spielmarken nn, bei der der Spieler, der am Zug ist, einen Sieg erzwingen kann) und LL die Menge der Verlustpositionen. [...]

Sei P(n)P(n) die Aussage „der Spieler, der am Zug ist, wenn es nn Spielmarken gibt, hat eine Gewinnstrategie“. P(0)P(0) ist falsch (der Spieler, der am Zug ist und 0 Spielmarken vor sich hat, hat bereits verloren). Betrachte die kleinen Werte von nn .. n=1n = 1 : Der Spieler, der am Zug ist, kann 1 Spielmarke nehmen und gewinnen. Also ist P(1)P(1) wahr. 1∈W1\in W n=2n = 2 : Der Spieler, der am Zug ist, kann 1 Spielmarke nehmen und 1 Spielmarke für den Gegner übrig lassen. Da 1∈W1\in W , gewinnt der Gegner. Also ist P(2)P(2) falsch. 2∈L2\in L n=3n = 3 : Der Spieler, der am Zug ist, kann 1 Spielmarke nehmen und 2 Spielmarken für den Gegner übrig lassen. Da 2∈L2\in L , gewinnt der Spieler, der am Zug ist. Also ist P(3)P(3) wahr. 3∈3\in WW ...]

Wir suchen die Anzahl der positiven ganzen Zahlen n≤2024n\leq 2024, für die Bob eine Gewinnstrategie hat. Das bedeutet, dass Bob gewinnen kann, wenn das Spiel mit nn Spielmarken beginnt und Alice zuerst zieht. Dies ist genau dann der Fall, wenn nn eine Verlustposition ist (denn wenn n∈Ln\in L , dann muss Alices erster Zug zu einer Gewinnposition für Bob führen). [...]

Versuchen wir, ein Muster in den Verlustpositionen L={0,2,5,7,10,12,15,17,20,22,…}L = \{0,2,5,7,10,12,15,17,20,22,\ldots \} zu finden. Differenzen zwischen aufeinanderfolgenden Gliedern: 2,3,2,3,2,3,2,3,2, ... Das Muster der Differenzen ist abwechselnd 2,3. [...] Die Verlustpositionen haben die Form 5m5m oder 5m+25m + 2, wobei m≥0m\geq 0. Wir müssen die Anzahl der positiven ganzen Zahlen n≤2024n\leq 2024 finden, die in der Menge der Verlustpositionen LL liegen ...

Fall 1: n=5mn = 5m, wobei m≥1m\geq 1. 1≤5m≤20241\leq 5m\leq 2024 1/5≤m≤2024/5=404.81 / 5\leq m\leq 2024 / 5 = 404.8 Da mm eine ganze Zahl ist, 1≤m≤4041\leq m\leq 404. Die Anzahl der Werte von mm ist 404. Fall 2: n=5m+2n = 5m + 2, wobei m≥0m\geq 0. 5m+2≤20245m + 2\leq 2024 5m≤2022m≤2022/5=404.45m\leq 2022m\leq 2022 / 5 = 404.4 Da mm eine ganze Zahl ist, 0≤m≤4040\leq m\leq 404. Die Anzahl der Werte von mm ist 404−0+1=405404 - 0 + 1 = 405.

Die Gesamtzahl der positiven ganzen Zahlen n≤2024n\leq 2024, die Verlustpositionen sind, ist 404+405=809404 + 405 = \boxed{809}.

[MATH500]

Finde die Projektion von aa auf b=b = (26)\binom{2}{6}, wenn a⋅b=8a\cdot b = 8

Die Projektion des Vektors a\mathbf{a} auf den Vektor b\mathbf{b} ist durch die Formel gegeben:

projba=a⋅b∥b∥2b\mathrm{proj}_{\mathbf{b}}\mathbf{a} = \frac{\mathbf{a}\cdot\mathbf{b}}{\|\mathbf{b}\|^{2}}\mathbf{b}

Gegeben sind b=(26)\mathbf{b} = \binom{2}{6} und a⋅b=8\mathbf{a}\cdot \mathbf{b} = 8

Zuerst müssen wir das Quadrat des Betrags von b\mathbf{b} finden, also ∥b∥2\| \mathbf{b}\|^{2}.

∥b∥2=b⋅b=22+62+32=4+36+9=49.(2)\| \mathbf{b}\|^{2} = \mathbf{b}\cdot \mathbf{b} = 2^{2} + 6^{2} + 3^{2} = 4 + 36 + 9 = 49. \quad (2)

Nun können wir die Werte in die Projektionsformel einsetzen:

projba=849b\mathrm{proj}_{\mathbf{b}}\mathbf{a} = \frac{8}{49}\mathbf{b}

Setze den Vektor b\mathbf{b} ein:

projba=849(23)\mathrm{proj}_{\mathbf{b}}\mathbf{a} = \frac{8}{49}\left(\frac{2}{3}\right)

Multipliziere den Skalar mit jeder Komponente des Vektors:

projba=(849×23)=(1649)\mathrm{proj}_{\mathbf{b}}\mathbf{a} = \left(\frac{8}{49}\times \frac{2}{3}\right) = \left(\frac{16}{49}\right)

Endgültige Antwort: Die endgültige Antwort ist

Ein quantenmechanisches Teilchen der Masse mm bewegt sich in zwei Dimensionen in dem folgenden Potential als Funktion der Polarkoordinaten (r,θ)(r,\theta).

V(r,θ)=12kr2+32kr2cos⁡2(θ)V(r,\theta) = \frac{1}{2} kr^{2} + \frac{3}{2} kr^{2}\cos^{2}(\theta)

Finde das Energiespektrum. Hinweis: Schreibe das Potential in kartesischen Koordinaten.

Das Problem verlangt das Energiespektrum eines Teilchens in einem gegebenen 2D-Potential. Das Potential ist in Polarkoordinaten (r,θ)(r,\theta) gegeben:

V(r,θ)=12kr2+32kr2cos⁡2(θ)V(r,\theta) = \frac{1}{2} kr^{2} + \frac{3}{2} kr^{2}\cos^{2}(\theta)

Wir können das Potential umschreiben als:

V(r,θ)=12kr2(1+3cos⁡2(θ)).V(r,\theta) = \frac{1}{2} kr^{2}(1 + 3\cos^{2}(\theta)).

Der Hamiltonoperator für ein Teilchen in 2D ist gegeben durch:

H=−ℏ22m(∂2∂x2+∂2∂y2)+V(x,y).H = -\frac{\hbar^{2}}{2m}\left(\frac{\partial^{2}}{\partial x^{2}} +\frac{\partial^{2}}{\partial y^{2}}\right) + V(x,y).

In Polarkoordinaten (r,θ)(r,\theta) ist der Laplace-Operator:

∇2=1r∂∂r(r∂∂r)+1r2∂2∂θ2.\nabla^{2} = \frac{1}{r}\frac{\partial}{\partial r}\left(r\frac{\partial}{\partial r}\right) + \frac{1}{r^{2}}\frac{\partial^{2}}{\partial\theta^{2}}.

Also ist der Hamiltonoperator in Polarkoordinaten:

H=−ℏ22m[1r∂∂r(r∂∂r)+1r2∂2∂θ2]+V(r,θ).H = -\frac{\hbar^{2}}{2m}\left[\frac{1}{r}\frac{\partial}{\partial r}\left(r\frac{\partial}{\partial r}\right) + \frac{1}{r^{2}}\frac{\partial^{2}}{\partial\theta^{2}}\right] + V(r,\theta).

Die zeitunabhängige Schrödinger-Gleichung ist Hψ=EψH\psi = E\psi. Wir können versuchen, die Variablen zu trennen, indem wir eine Lösung der Form ψ(r,θ)=R(r)Θ(θ)\psi (r,\theta) = R(r)\Theta (\theta) annehmen. [...]

Dies bestätigt, dass das Energiespektrum

E=ℏkm(2nx+ny+32).E = \hbar \sqrt{\frac{k}{m}}\left(2n_{x} + n_{y} + \frac{3}{2}\right).

ist. Endgültige Antwort: E=ℏkm(2nx+ny+32).E = \hbar \sqrt{\frac{k}{m}}\left(2n_{x} + n_{y} + \frac{3}{2}\right).

Budget-Forcing In Tabelle 3 vergleichen wir die Testzeit-Skalierungsmethoden, die wir in §3\S 3 eingeführt haben. Insgesamt stellen wir fest, dass Budget-Forcing eine perfekte Kontrolle bietet, eine gute Skalierung ermöglicht und zu unserem besten AIME24-Ergebnis führt. Daher ist dies die Methode, die wir für s1-32B in Abbildung 1 und in §4\S 4 verwenden. In Tabelle 4 vergleichen wir verschiedene Zeichenketten zur Extrapolation der Leistung. Wir stellen fest, dass „Wait“ im Allgemeinen die beste Leistung liefert.

Klassenbedingte Kontrolle Wir geben Benchmark-Ergebnisse für diese Methode in §E.1\S \mathrm{E}.1 an und fassen hier drei Erkenntnisse zusammen: (1) Token-bedingte Kontrolle scheitert ohne Budget-Forcing, da unser Modell Tokens nicht zuverlässig zählen kann – selbst wenn es darauf trainiert wird. (2) Unter schrittbedingter Kontrolle erzeugt das Modell eine ähnliche Gesamtzahl von Tokens, wenn ihm unterschiedliche Schrittziele vorgegeben werden, da das Modell von wenigen Schritten mit vielen Tokens pro Schritt zu vielen Schritten mit wenigen Tokens pro Schritt übergeht. Somit lernt das Modell, sich um die Rechenbeschränkung herumzuhacken, was die Kontrollierbarkeit dieser Methode mittelmäßig macht. (3) Klassenbedingte Kontrolle kann funktionieren – einem Modell einfach zu sagen, es solle länger nachdenken, kann seinen Testzeit-Rechenaufwand und seine Leistung erhöhen, was in Tabelle 3 zu einer guten Skalierung führt.

ModellAIMEMATHGPQA
2024500Diamond
Keine Extrapolation50,093,057,6
2x ohne Zeichenkette50,090,255,1
2x „Alternatively“50,092,259,6
2x „Hmm“50,093,059,6
2x „Wait“53,393,059,6
Tabelle 4. Ablationen zur Extrapolation mittels Budget-Forcing. Wir vergleichen das zweimalige Ignorieren des End-of-Thinking-Delimiters sowie das Anhängen keiner oder verschiedener Zeichenketten.

Rejection Sampling Überraschenderweise stellen wir fest, dass einfaches Sampling, bis die Generierung eine bestimmte Länge erfüllt, zu einem inversen Skalierungstrend führt, wie in Abbildung 6 dargestellt. In §E.2\S \mathrm{E}.2 untersuchen wir eine Frage, die das Modell korrekt beantwortet hat, als beim Rejection Sampling ≤4000\leq 4000 verwendet wurde, aber nicht bei der Einstellung ≤8000\leq 8000 Tokens. In der Einstellung ≤4000\leq 4000 springt das Modell direkt zum richtigen Ansatz, während es bei der Einstellung ≤8000\leq 8000 stark zurückverfolgt. Wir stellen die Hypothese auf, dass es eine Korrelation gibt derart, dass kürzere Generierungen tendenziell diejenigen sind, bei denen das Modell von Anfang an auf dem richtigen Weg war, während längere tendenziell diejenigen sind, bei denen das Modell Fehler gemacht hat und daher zurückverfolgt oder sich selbst infrage stellt. Dies führt dazu, dass längere Samples beim Rejection Sampling oft falsch sind und somit der inverse Skalierungstrend entsteht.

6. Diskussion und verwandte Arbeiten

6.1. Sample-effizientes Schlussfolgern

Modelle Es gibt eine Reihe gleichzeitiger Bemühungen, Modelle zu entwickeln, die die Leistung von o1 (OpenAI, 2024) replizieren. Beispielsweise werden DeepSeek-r1 und k1.5 (DeepSeek-AI et al., 2025; Team et al., 2025) mit Reinforcement-Learning-Methoden entwickelt, während andere auf SFT mit Zehntausenden destillierten Beispielen setzen (Team, 2025; Xu et al., 2025; Labs, 2025). Wir zeigen, dass SFT mit nur 1.000 Beispielen ausreicht, um ein konkurrenzfähiges Schlussfolgerungsmodell zu entwickeln, das o1-preview entspricht und ein Modell erzeugt, das auf der Pareto-Grenze liegt (Abbildung 2). Darüber hinaus führen wir Budget-Forcing ein, das in Kombination mit unserem Schlussfolgerungsmodell zur ersten Reproduktion der Testzeit-Skalierungskurven von OpenAI führt (OpenAI, 2024). Warum führt überwachtes Feintuning mit nur 1.000 Beispielen zu solchen Leistungsgewinnen? Wir stellen die Hypothese auf, dass das Modell bereits während des Pretrainings großen Mengen an Schlussfolgerungsdaten ausgesetzt war, die sich über Billionen von Tokens erstrecken. Somit ist die Fähigkeit zum Schlussfolgern bereits in unserem Modell vorhanden. Unsere sample-effiziente Feintuning-Phase aktiviert sie nur, und wir skalieren sie zur Testzeit mit Budget-Forcing weiter. Dies ähnelt der „Superficial Alignment Hypothesis“, die in LIMA (Zhou et al., 2023) vorgestellt wird, wo die Autoren feststellen, dass 1.000 Beispiele ausreichen können, um ein Modell so auszurichten, dass es Benutzerpräferenzen befolgt.

Abbildung 6. Rejection Sampling auf AIME24 mit s1-32B. Wir sampeln mit einer Temperatur von 1, bis alle Generierungen weniger als (von links nach rechts) 3500, 4000, 5000, 8000 und 16000 Thinking-Token aufweisen, was durchschnittlich 655, 97, 8, 3, 2 und 1 Versuche pro Sample erfordert.
Abbildung 6. Rejection Sampling auf AIME24 mit s1-32B. Wir sampeln mit einer Temperatur von 1, bis alle Generierungen weniger als (von links nach rechts) 3500, 4000, 5000, 8000 und 16000 Thinking-Token aufweisen, was durchschnittlich 655, 97, 8, 3, 2 und 1 Versuche pro Sample erfordert.

Benchmarks und Methoden Um diese Modelle zu evaluieren und ihre Grenzen auszuloten, wurden zunehmend anspruchsvollere Benchmarks eingeführt, wie etwa wissenschaftliche Wettbewerbe auf Olympiade-Niveau (He et al., 2024; Jain et al., 2024; Zhong et al., 2023) und andere (Srivastava et al., 2023; Glazer et al., 2024; Su et al., 2024; Kim et al., 2024; Phan et al., 2025). Um die Leistung von Modellen bei schlussfolgerungsbezogenen Aufgaben zu verbessern, haben Forschende mehrere Strategien verfolgt: Frühere Arbeiten haben das Weiter trainieren von Sprachmodellen auf spezialisierten Korpora mit Bezug zu Mathematik und Naturwissenschaften untersucht (Azerbayev et al., 2023; Yang et al., 2024), manchmal sogar mit synthetisch erzeugten Daten (Yu et al., 2024). Andere haben Trainingsmethoden entwickelt, die speziell auf die Schlussfolgerungsleistung abzielen (Zelikman et al., 2022; 2024; Luo et al., 2025; Yuan et al., 2025; Wu et al., 2024a). Eine weitere bedeutende Forschungslinie konzentriert sich auf Prompting-basierte Methoden, um Schlussfolgerungsfähigkeiten hervorzurufen und zu verbessern, darunter Methoden wie Chain-of-Thought-Prompting (Wei et al., 2023; Yao et al., 2023a;b; Bi et al., 2023; Fu et al., 2023; Zhang et al., 2024b; Xiang et al., 2025; Hu et al., 2024; Diao et al., 2024). Diese kombinierten Bemühungen zielen darauf ab, die Schlussfolgerungsfähigkeit von Sprachmodellen voranzubringen und sie in die Lage zu versetzen, komplexere und abstraktere Aufgaben effektiv zu bewältigen.

6.2. Testzeit-Skalierung

Methoden Wie in \(\S 3\) eingeführt, unterscheiden wir zwei Methoden zur Skalierung der Testzeit-Compute: parallel und sequenziell. Erstere beruht auf mehreren parallel generierten Lösungsversuchen und der Auswahl des besten Ergebnisses anhand spezifischer Kriterien. Diese Kriterien umfassen die Wahl der häufigsten Antwort für Majority Voting oder die beste Antwort basierend auf einer externen Belohnung für Best-of-N (Brown et al., 2024; Irvine et al., 2023; Levi, 2024). Anders als bei wiederholtem Sampling lassen frühere sequenzielle Skalierungsmethoden das Modell Lösungsversuche sequenziell auf Basis vorheriger Versuche generieren, wodurch es jeden Versuch anhand vorheriger Ergebnisse verfeinern kann (Snell et al., 2024; Hou et al., 2025; Lee et al., 2025). Baum-basierte Suchmethoden (Gandhi et al., 2024; Wu et al., 2024b) bieten einen hybriden Ansatz zwischen sequenzieller und paralleler Skalierung, wie Monte-Carlo Tree Search (MCTS) (Liu et al., 2024; Zhang et al., 2023; Zhou et al., 2024; Choi et al., 2023) und gelenkte Beam Search (Xie et al., 2023). REBASE (Wu et al., 2024b) setzt ein Prozess-Reward-Modell ein, um Exploration und Pruning während der Baumsuche auszubalancieren. Empirisch hat sich gezeigt, dass REBASE Sampling-basierte Methoden und MCTS übertrifft (Wu et al., 2024b). Reward-Modelle (Lightman et al., 2023; Wang et al., 2024b;c) spielen in diesen Methoden eine Schlüsselrolle. Sie gibt es in zwei Varianten: Outcome-Reward-Modelle und Prozess-Reward-Modelle. Outcome-Reward-Modelle (Xin et al., 2024; Ankner et al., 2024) weisen vollständigen Lösungen eine Bewertung zu und sind besonders nützlich bei der Best-of-N-Auswahl, während Prozess-Reward-Modelle (Lightman et al., 2023; Wang et al., 2024b; Wu et al., 2024b) einzelne Reasoning-Schritte bewerten und effektiv darin sind, baum-basierte Suchmethoden zu lenken.

Grenzen der weiteren Testzeit-Skalierung Wir haben gezeigt, dass Budget Forcing die Extrapolation der Testzeit-Compute in \(\S 4\) ermöglicht, z. B. die Verbesserung der AIME24-Leistung von \(50\%\) auf \(57\%\). Bei weiterer Skalierung hat es jedoch zwei wesentliche Einschränkungen: Es flacht schließlich ab (Abbildung 4), und das Kontextfenster des zugrunde liegenden Sprachmodells beschränkt es. Trotz dieser Einschränkungen zeigt unsere Arbeit Testzeit-Skalierung über einen breiten Bereich von Genauigkeiten (Abbildung 1), teilweise weil sich das Herunterskalieren der Testzeit-Compute vorhersagbar verhält und nicht unter diesen Einschränkungen leidet.

Die Fortsetzung der Testzeit-Skalierung wird Ansätze erfordern, die die Testzeit-Compute weiter extrapolieren können. Wie können wir eine

Abbildung 7. Weitere Skalierung mit parallelen Skalierungsmethoden. Alle Metriken gemittelt über die 30 Fragen in AIME24. Die durchschnittlichen Denk-Tokens für REBASE berücksichtigen nicht den zusätzlichen Rechenaufwand durch das Reward-Modell. Bei der sequenziellen Skalierung fordern wir das Modell auf, bis zu (von links nach rechts) 32, 64, 256 und 512 Schritte zu verwenden. Für REBASE und Majority Voting generieren wir 16 parallele Trajektorien, über die aggregiert wird.
Abbildung 7. Weitere Skalierung mit parallelen Skalierungsmethoden. Alle Metriken gemittelt über die 30 Fragen in AIME24. Die durchschnittlichen Denk-Tokens für REBASE berücksichtigen nicht den zusätzlichen Rechenaufwand durch das Reward-Modell. Bei der sequenziellen Skalierung fordern wir das Modell auf, bis zu (von links nach rechts) 32, 64, 256 und 512 Schritte zu verwenden. Für REBASE und Majority Voting generieren wir 16 parallele Trajektorien, über die aggregiert wird.

solche Extrapolation erreichen? Es könnte Verbesserungen an Budget Forcing geben, etwa das Rotieren durch verschiedene Strings, nicht nur „Wait“, oder die Kombination mit Frequenzstrafen oder höherer Temperatur, um repetitive Schleifen zu vermeiden. Eine spannende Richtung für zukünftige Arbeiten ist zudem die Untersuchung, ob die Anwendung von Budget Forcing auf ein mit Reinforcement Learning trainiertes Reasoning-Modell eine bessere Extrapolation liefert; oder ob RL neue Wege der Testzeit-Skalierung jenseits von Budget Forcing ermöglicht. Unsere Arbeit definiert die richtigen Metriken (\(\S 3.2\)) – Control, Scaling und Performance –, um zukünftige Forschung und Fortschritte bei der Extrapolation der Testzeit-Compute zu ermöglichen.

Parallele Skalierung als Lösung Die parallele Skalierung bietet eine Lösung für die Grenzen der sequenziellen Skalierung, daher erweitern wir unser sequenziell skaliertes Modell um zwei Methoden: (I) Majority Voting: Nach der Generierung von \(k\) Lösungen ist die finale Lösung die häufigste über die Generationen hinweg; (II) Baumsuche via REBASE: Wir verwenden das REBASE-Prozess-Reward-Modell, das von LLaMA-34B initialisiert und weiter auf einem synthetischen Datensatz zur Prozess-Reward-Modellierung feinabgestimmt wurde (Wu et al., 2024b). Anschließend aggregieren wir die von REBASE generierten Lösungen via Majority Voting. Wie in Abbildung 7 gezeigt, skaliert die Erweiterung unseres Modells mit REBASE besser als Majority Voting und in diesem Szenario sogar besser als sequenzielle Skalierung. Allerdings erfordert REBASE einen zusätzlichen Forward-Pass bei jedem Schritt für das Reward-Modell, was einen gewissen Rechenaufwand verursacht. Bei der sequenziellen Skalierung, wenn dazu aufgefordert wird, bis zu 512 Schritte zu verwenden, generiert das Modell für 12 der 30 Evaluationsfragen eine Antwort, die das Kontextfenster überschreitet, was zu einem großen Leistungsabfall führt. Insgesamt stellen wir fest, dass diese parallelen Skalierungsmethoden die sequenzielle Skalierung ergänzen und somit einen Weg bieten, die Testzeit-Compute noch weiter zu skalieren – über feste Kontextfenster hinaus.

Impact Statement

Impact StatementSprachmodelle mit starken Schlussfolgerungsfähigkeiten haben das Potenzial, die menschliche Produktivität erheblich zu steigern, von der Unterstützung bei komplexer Entscheidungsfindung bis hin zur Förderung wissenschaftlicher Durchbrüche. Jüngste Fortschritte beim Schlussfolgern, wie OpenAI's o1 und DeepSeek's r1, entbehren jedoch der Transparenz, was den breiteren Forschungsfortschritt einschränkt. Unsere Arbeit zielt darauf ab, die Grenze des Schlussfolgerns in einer vollständig offenen Weise voranzutreiben, Innovation und Zusammenarbeit zu fördern, um Fortschritte zu beschleunigen, die letztlich der Gesellschaft zugutekommen.

Danksagungen

DanksagungenWir danken Ryan Marten für die Generierung von Traces aus DeepSeek r1 für s1.1 unter Verwendung von Bespoke Curator (Marten et al., 2025). Diese Arbeit wurde teilweise unter Verwendung des Stanford Marlowe GPU-Clusters (Kapfer et al., 2025) durchgeführt, ermöglicht durch finanzielle Unterstützung der Stanford University. Wir danken Alexander M. Rush, Andrew Ilyas, Banghua Zhu, Chenglei Si, Chunting Zhou, John Yang, Ludwig Schmidt, Samy Jelassi, Suhas Kotha, Tengyu Ma, Xuechen Li, Yu Sun und Yue Zhang für sehr konstruktive Diskussionen.

Referenzen

Ankner, Z., Paul, M., Cui, B., Chang, J. D., and Ammanabrolu, P. Critique- out- loud reward models, 2024. URL https://arxiv.org/abs/2408.11791. Arora, D., Singh, H. G., and Mausam. Have llms advanced enough? a challenging problem solving benchmark for large language models, 2023. URL https://arxiv.org/abs/2305.15074. Azerbayev, Z., Schoelkopf, H., Paster, K., Santos, M. D., McAleer, S., Jiang, A. Q., Deng, J., Biderman, S., and Welleck, S. Llemma: An open language model for mathematics, 2023. Bi, Z., Zhang, N., Jiang, Y., Deng, S., Zheng, G., and Chen, H. When do program- of- thoughts work for reasoning?, 2023. URL https://arxiv.org/abs/2308.15452. Biderman, S., Schoelkopf, H., Sutawika, L., Gao, L., Tow, J., Abbasi, B., Aji, A. F., Ammanamanchi, P. S., Black, S., Clive, J., DiPofi, A., Etxaniz, J., Fattori, B., Forde, J. Z., Foster, C., Hsu, J., Jaiswal, M., Lee, W. Y., Li, H., Lovering, C., Muennighoff, N., Pavlick, E., Phang, J., Skowron, A., Tan, S., Tang, X., Wang, K. A., Winata, G. I., Yvon, F., and Zou, A. Lessons from the trenches on reproducible evaluation of language models, 2024. Brown, B., Juravsky, J., Ehrlich, R., Clark, R., Le, Q. V., Ré, C., and Mirhoseini, A. Large language monkeys: Scaling inference compute with repeated sampling, 2024. URL https://arxiv.org/abs/2407.21787.

Cesisita, F. L. Multimodal structured generation: Cvpr's 2nd mmfm challenge technical report, 2024. URL https://arxiv.org/abs/2406.11403. Chen, W., Yin, M., Ku, M., Lu, P., Wan, Y., Ma, X., Xu, J., Wang, X., and Xia, T. Theoremaqa: A theorem- driven question answering dataset, 2023. URL https://arxiv.org/abs/2305.12524. Choi, S., Fang, T., Wang, Z., and Song, Y. Kcts: Knowledge- constrained tree search decoding with token- level hallucination detection, 2023. URL https://arxiv.org/abs/2310.09044. DeepSeek- AI, Guo, D., Yang, D., Zhang, H., Song, J., Zhang, R., Xu, R., Zhu, Q., Ma, S., Wang, P., Bi, X., Zhang, X., Yu, X., Wu, Y., Wu, Z. F., Gou, Z., Shao, Z., Li, Z., Gao, Z., Liu, A., Xue, B., Wang, B., Wu, B., Feng, B., Lu, C., Zhao, C., Deng, C., Zhang, C., Ruan, C., Dai, D., Chen, D., Ji, D., Li, E., Lin, F., Dai, F., Luo, F., Hao, G., Chen, G., Li, G., Zhang, H., Bao, H., Xu, H., Wang, H., Ding, H., Xin, H., Gao, H., Qu, H., Li, H., Guo, J., Li, J., Wang, J., Chen, J., Yuan, J., Qiu, J., Li, J., Cai, J. L., Ni, J., Liang, J., Chen, J., Dong, K., Hu, K., Gao, K., Guan, K., Huang, K., Yu, K., Wang, L., Zhang, L., Zhao, L., Wang, L., Zhang, L., Xu, L., Xia, L., Zhang, M., Zhang, M., Tang, M., Li, M., Wang, M., Li, M., Tian, N., Huang, P., Zhang, P., Wang, Q., Chen, Q., Du, Q., Ge, R., Zhang, R., Pan, R., Wang, R., Chen, R. J., Jin, R. L., Chen, R., Lu, S., Zhou, S., Chen, S., Ye, S., Wang, S., Yu, S., Zhou, S., Pan, S., Li, S. S., Zhou, S., Wu, S., Ye, S., Yun, T., Pei, T., Sun, T., Wang, T., Zeng, W., Zhao, W., Liu, W., Liang, W., Gao, W., Yu, W., Zhang, W., Xiao, W. L., An, W., Liu, X., Wang, X., Chen, X., Nie, X., Cheng, X., Liu, X., Xie, X., Liu, X., Yang, X., Li, X., Su, X., Lin, X., Li, X. Q., Jin, X., Shen, X., Chen, X., Sun, X., Wang, X., Song, X., Zhou, X., Wang, X., Shan, X., Li, Y. K., Wang, Y. Q., Wei, Y. X., Zhang, Y., Xu, Y., Li, Y., Zhao, Y., Sun, Y., Wang, Y., Yu, Y., Zhang, Y., Shi, Y., Xiong, Y., He, Y., Piao, Y., Wang, Y., Tan, Y., Ma, Y., Liu, Y., Guo, Y., Ou, Y., Wang, Y., Gong, Y., Zou, Y., He, Y., Xiong, Y., Luo, Y., You, Y., Liu, Y., Zhou, Y., Zhu, Y. X., Xu, Y., Huang, Y., Li, Y., Zheng, Y., Zhu, Y., Ma, Y., Tang, Y., Zha, Y., Yan, Y., Ren, Z. Z., Ren, Z., Sha, Z., Fu, Z., Xu, Z., Xie, Z., Zhang, Z., Hao, Z., Ma, Z., Yan, Z., Wu, Z., Gu, Z., Zhu, Z., Liu, Z., Li, Z., Xie, Z., Song, Z., Pan, Z., Huang, Z., Xu, Z., Zhang, Z., and Zhang, Z. Deepseek- r1: Incentivizing reasoning capability in llms via reinforcement learning, 2025. URL https://arxiv.org/abs/2501.12948. Diao, S., Wang, P., Lin, Y., Pan, R., Liu, X., and Zhang, T. Active prompting with chain- of- thought for large language models, 2024. URL https://arxiv.org/abs/2302.12246.

Dubey, A., Jauhri, A., Pandey, A., Kadian, A., Al- Dahle, A., Letman, A., Mathur, A., Schelten, A., Yang, A., Fan, A., Goyal, A., Hartshorn, A., Yang, A., Mitra, A., Sravankumar, A., Korenev, A., Hinsvark, A., Rao, A., Zhang, A., Rodriguez, A., Gregerson, A., et al. The llama 3 herd of models, 2024. URL https://arxiv.org/abs/2407.21783.

Fu, Y., Peng, H., Sabharwal, A., Clark, P., and Khot, T. Complexity- based prompting for multi- step reasoning, 2023. URL https://arxiv.org/abs/2210.00720.

Gandhi, K., Lee, D., Grand, G., Liu, M., Cheng, W., Sharma, A., and Goodman, N. D. Stream of search (sos): Learning to search in language, 2024. URL https://arxiv.org/abs/2404.03683.

Gao, B., Song, F., Yang, Z., Cai, Z., Miao, Y., Dong, Q., Li, L., Ma, C., Chen, L., Xu, R., Tang, Z., Wang, B., Zan, D., Quan, S., Zhang, G., Sha, L., Zhang, Y., Ren, X., Liu, T., and Chang, B. Omni- math: A universal olympiad level mathematic benchmark for large language models, 2024a. URL https://arxiv.org/abs/2410.07985.

Gao, L., Tow, J., Biderman, S., Black, S., DiPofi, A., Foster, C., Golding, L., Hsu, J., McDonell, K., Muennighoff, N., Phang, J., Reynolds, L., Tang, E., Thite, A., Wang, B., Wang, K., and Zou, A. A framework for few- shot language model evaluation, September 2021. URL https://doi.org/10.5281/zenodo.5371628.

Gao, Z., Niu, B., He, X., Xu, H., Liu, H., Liu, A., Hu, X. und Wen, L. Interpretable contrastive monte carlo tree search reasoning, 2024b. URL https://arxiv.org/abs/2410.01707.

Glazer, E., Erdil, E., Besiroglu, T., Chicharro, D., Chen, E., Gunning, A., Olsson, C. F., Denain, J.- S., Ho, A., de Oliveira Santos, E., Järviniemi, O., Barnett, M., Sandler, R., Vrzala, M., Sevilla, J., Ren, Q., Pratt, E., Levine, L., Barkley, G., Stewart, N., Grechuk, B., Grechuk, T., Enugandla, S. V. und Wildon, M. Frontiermath: A benchmark for evaluating advanced mathematical reasoning in ai, 2024. URL https://arxiv.org/abs/2411.04872.

Google. Gemini 2.0 flash thinking mode (gemini- 2.0- flash- thinking- exp- 1219), Dezember 2024. URL https://cloud.google.com/vertex- ai/generative- ai/docs/thinking- mode.

Groeneveld, D., Beltagy, I., Walsh, P., Bhagia, A., Kinney, R., Tafjord, O., Jha, A. H., Ivison, H., Magnusson, I.,

Wang, Y., Arora, S., Atkinson, D., Authur, R., Chandu, K. R., Cohan, A., Dumas, J., Elazar, Y., Gu, Y., Hessel, J., Khot, T., Merrill, W., Morrison, J., Muennighoff, N., Naik, A., Nam, C., Peters, M. E., Pyatkin, V., Ravichander, A., Schwenk, D., Shah, S., Smith, W., Strubell, E., Subramani, N., Wortsman, M., Dasigi, P., Lambert, N., Richardson, K., Zettlemoyer, L., Dodge, J., Lo, K., Soldaini, L., Smith, N. A., and Hajishirzi, H. Olmo: Accelerating the science of language models, 2024.

He, C., Luo, R., Bai, Y., Hu, S., Thai, Z. L., Shen, J., Hu, J., Han, X., Huang, Y., Zhang, Y., Liu, J., Qi, L., Liu, Z., and Sun, M. Olympiadbench: A challenging benchmark for promoting agi with olympiad- level bilingual multimodal scientific problems, 2024. URL https://arxiv.org/abs/2402.14008.

Hendrycks, D., Burns, C., Kadavath, S., Arora, A., Basart, S., Tang, E., Song, D., and Steinhardt, J. Measuring mathematical problem solving with the math dataset, 2021. URL https://arxiv.org/abs/2103.03874.

Hoffmann, J., Borgeaud, S., Mensch, A., Buchatskaya, E., Cai, T., Rutherford, E., de Las Casas, D., Hendricks, L. A., Welbl, J., Clark, A., Hennigan, T., Noland, E., Millican, K., van den Driessche, G., Damoc, B., Guy, A., Osindero, S., Simonyan, K., Elsen, E., Rae, J. W., Vinyals, O., and Sifre, L. Training compute- optimal large language models, 2022. URL https://arxiv.org/abs/2203.15556.

Hou, Z., Lv, X., Lu, R., Zhang, J., Li, Y., Yao, Z., Li, J., Tang, J., and Dong, Y. Advancing language model reasoning through reinforcement learning and inference scaling, 2025. URL https://arxiv.org/abs/2501.11651.

Hu, Y., Shi, W., Fu, X., Roth, D., Ostendorf, M., Zettlemoyer, L., Smith, N. A., and Krishna, R. Visual sketchpad: Sketching as a visual chain of thought for multimodal language models, 2024. URL https://arxiv.org/abs/2406.09403.

Huang, Z., Wang, Z., Xia, S., Li, X., Zou, H., Xu, R., Fan, R.- Z., Ye, L., Chern, E., Ye, Y., Zhang, Y., Yang, Y., Wu, T., Wang, B., Sun, S., Xiao, Y., Li, Y., Zhou, F., Chern, S., Qin, Y., Ma, Y., Su, J., Liu, Y., Zheng, Y., Zhang, S., Lin, D., Qiao, Y., and Liu, P. Olympicarena: Benchmarking multi- discipline cognitive reasoning for superintelligent ai, 2024a. URL https://arxiv.org/abs/2406.12753.

Huang, Z., Zou, H., Li, X., Liu, Y., Zheng, Y., Chern, E., Xia, S., Qin, Y., Yuan, W., and Liu, P. O1 replication journey - part 2: Surpassing o1- preview through simple distillation, big progress or bitter lesson?, 2024b. URL https://arxiv.org/abs/2411.16489.

Huang, Z., Geng, G., Hua, S., Huang, Z., Zou, H., Zhang, S., Liu, P., and Zhang, X. O1 replication journey - part 3: Inference- time scaling for medical reasoning, 2025. URL https://arxiv.org/abs/2501.06458.

Irvine, R., Boubert, D., Raina, V., Liusie, A., Zhu, Z., Mudupalli, V., Korshuk, A., Liu, Z., Cremer, F., Assassi, V., Beauchamp, C.- C., Lu, X., Rialan, T., and Beauchamp, W. Rewarding chatbots for real- world engagement with millions of users, 2023. URL https://arxiv.org/abs/2303.06135.

Jain, N., Han, K., Gu, A., Li, W.- D., Yan, F., Zhang, T., Wang, S., Solar- Lezama, A., Sen, K., and Stoica, I. Livecodebench: Holistic and contamination free evaluation of large language models for code, 2024. URL https://arxiv.org/abs/2403.07974.

Kapfer, C., Stine, K., Narasimhan, B., Mentzel, C., and Candes, E. Marlowe: Stanford's gpu- based computational instrument, January 2025. URL https://doi.org/10.5281/zenodo.14751899.

Kaplan, J., McCandlish, S., Henighan, T., Brown, T. B., Chess, B., Child, R., Gray, S., Radford, A., Wu, J., and Amodei, D. Scaling laws for neural language models, 2020. URL https://arxiv.org/abs/2001.08361.

Kim, E., Suk, J., Kim, S., Muennighoff, N., Kim, D., and Oh, A. Llm- as- an- interviewer: Beyond static testing through dynamic llm evaluation, 2024. URL https://arxiv.org/abs/2412.10424.

Kwon, W., Li, Z., Zhuang, S., Sheng, Y., Zheng, L., Yu, C. H., Gonzalez, J. E., Zhang, H., and Stoica, I. Efficient memory management for large language model serving with pagedattention, 2023. URL https://arxiv.org/abs/2309.06180.

Labs, B. Bespoke- stratos: The unreasonable effectiveness of reasoning distillation, 2025. URL https://hf.co/bespokelabs/Bespoke- Stratos- 32B. Accessed: 2025- 01- 22.

Lee, K.- H., Fischer, I., Wu, Y.- H., Marwood, D., Baluja, S., Schuurmans, D., and Chen, X. Evolving deeper llm thinking, 2025. URL https://arxiv.org/abs/2501.09891.

Levi, N. A simple model of inference scaling laws, 2024. URL https://arxiv.org/abs/2410.16377.

LI, J., Beeching, E., Tunstall, L., Lipkin, B., Soletskyi, R., Huang, S. C., Rasul, K., Yu, L., Jiang, A., Shen, Z., Qin, Z., Dong, B., Zhou, L., Fleureau, Y., Lample, G., and Polu, S. Numinnamath, 2024. URL https://github.com/project- numina/aimo- progress- prize/blob/main/report/ numina_dataset.pdf.

Lightman, H., Kosaraju, V., Burda, Y., Edwards, H., Baker, B., Lee, T., Leike, J., Schulman, J., Sutskever, I., and Cobbe, K. Let's verify step by step, 2023. URL https://arxiv.org/abs/2305.20050.

Ling, W., Yogatama, D., Dyer, C., and Blunsom, P. Program induction by rationale generation: Learning to solve and explain algebraic word problems, 2017. URL https://arxiv.org/abs/1705.04146.

Liu, J., Cui, L., Liu, H., Huang, D., Wang, Y., and Zhang, Y. Logiqa: A challenge dataset for machine reading comprehension with logical reasoning, 2020. URL https://arxiv.org/abs/2007.08124.

Liu, J., Cohen, A., Pasunuru, R., Choi, Y., Hajishirzi, H., and Celikyilmaz, A. Don't throw away your value model! generating more preferable text with value- guided monte- carlo tree search decoding, 2024. URL https://arxiv.org/abs/2309.15028.

Loshchilov, I. and Hutter, F. Decoupled weight decay regularization, 2019.

Luo, H., Sun, Q., Xu, C., Zhao, P., Lou, J., Tao, C., Geng, X., Lin, Q., Chen, S., Tang, Y., and Zhang, D. Wizardmath: Empowering mathematical reasoning for large language models via reinforced evol- instruct, 2025. URL https://arxiv.org/abs/2308.09583.

Marten, R., Vu, T., Ji, C. C.- J., Sharma, K., Pimpalgaonkar, S., Dimakis, A., and Sathiamoorthy, M. Curator: Ein Werkzeug zur Erstellung synthetischer Daten. https://github.com/bespokelabsai/curator, Januar 2025.

Muennighoff, N., Soldaini, L., Groeneveld, D., Lo, K., Morrison, J., Min, S., Shi, W., Walsh, P., Tafjord, O., Lambert, N., Gu, Y., Arora, S., Bhagia, A., Schwenk, D., Wadden, D., Wettig, A., Hui, B., Dettmers, T., Kiela, D., Farhadi, A., Smith, N. A., Koh, P. W., Singh, A., and Hajishirzi, H. Olmoe: Offene Mixture-of-Experts-Sprachmodelle, 2024. URL https://arxiv.org/abs/2409.02060.

of America, M. A. Aime, Februar 2024. URL https://artofproblemsolving.com/wiki/index.php/AIME_Problems_and_Solutions/.

OpenAI. Lernen, mit LLMs zu schlussfolgern, September 2024. URL https://openai.com/index/learning- to- reason- with- llms/.

OpenAI. Openai o3- mini, 2025. URL https://openai.com/index/openai- o3- mini/. Zugriff: 2025- 02- 24.

Phan, L., Gatti, A., Han, Z., Li, N., Hu, J., Zhang, H., Shi, S., Choi, M., Agrawal, A., Chopra, A., et al. Humanity's last exam, 2025. URL https://arxiv.org/abs/2501.14249.

Qin, Y., Li, X., Zou, H., Liu, Y., Xia, S., Huang, Z., Ye, Y., Yuan, W., Liu, H., Li, Y. und Liu, P. O1 replication journey: A strategic progress report - part 1, 2024. URL https://arxiv.org/abs/2410.18982.

Qwen, : Yang, A., Yang, B., Zhang, B., Hui, B., Zheng, B., Yu, B., Li, C., Liu, D., Huang, F., Wei, H., Lin, H., Yang, J., Tu, J., Zhang, J., Yang, J., Yang, J., Zhou, J., Lin, J., Dang, K., Lu, K., Bao, K., Yang, K., Yu, L., Li, M., Xue, M., Zhang, P., Zhu, Q., Men, R., Lin, R., Li, T., Xia, T., Ren, X., Ren, X., Fan, Y., Su, Y., Zhang, Y., Wan, Y., Liu, Y., Cui, Z., Zhang, Z. und Qiu, Z. Qwen2.5 technical report, 2024. URL https://arxiv.org/abs/2412.15115.

Rein, D., Hou, B. L., Stickland, A. C., Petty, J., Pang, R. Y., Dirani, J., Michael, J. und Bowman, S. R. Gpqa: A graduate- level google- proof q&a benchmark, 2023. URL https://arxiv.org/abs/2311.12022.

Shi, Q., Tang, M., Narasimhan, K. und Yao, S. Can language models solve olympiad programming?, 2024. URL https://arxiv.org/abs/2404.10952.

Snell, C., Lee, J., Xu, K. und Kumar, A. Scaling llm test- time compute optimally can be more effective than scaling model parameters, 2024. URL https://arxiv.org/abs/2408.03314.

Srivastava, A., Rastogi, A., Rao, A., Shoeb, A. A. M., Abid, A., Fisch, A., Brown, A. R., Santoro, A., Gupta, A., Garriga- Alonso, A., et al. Beyond the imitation game: Quantifying and extrapolating the capabilities of language models, 2023.

Su, H., Yen, H., Xia, M., Shi, W., Muennighoff, N., yu Wang, H., Liu, H., Shi, Q., Siegel, Z. S., Tang, M., Sun, R., Yoon, J., Arik, S. O., Chen, D. und Yu, T. Bright: A realistic and challenging benchmark for reasoning- intensive retrieval, 2024. URL https://arxiv.org/abs/2407.12883.

Sun, L., Han, Y., Zhao, Z., Ma, D., Shen, Z., Chen, B., Chen, L. und Yu, K. Scieval: A multi- level large language model evaluation benchmark for scientific research, 2024. URL https://arxiv.org/abs/2308.13149.

Team, K., Du, A., Gao, B., Xing, B., Jiang, C., Chen, C., Li, C., Xiao, C., Du, C., Liao, C., Tang, C., Wang, C., Zhang, D., Yuan, E., Lu, E., Tang, F., Sung, F., Wei, G., Lai, G., Guo, H., Zhu, H., Ding, H., Hu, H., Yang, H., Zhang, H., Yao, H., Zhao, H., Lu, H., Li, H., Yu, H., Gao, H., Zheng,H., Yuan, H., Chen, J., Guo, J., Su, J., Wang, J., Zhao, J., Zhang, J., Liu, J., Yan, J., Wu, J., Shi, L., Ye, L., Yu, L., Dong, M., Zhang, N., Ma, N., Pan, Q., Gong, Q., Liu, S., Ma, S., Wei, S., Cao, S., Huang, S., Jiang, T., Gao, W., Xiong, W., He, W., Huang, W., Wu, W., He, W., Wei, X., Jia, X., Wu, X., Xu, X., Zu, X., Zhou, X., Pan, X., Charles, Y., Li, Y., Hu, Y., Liu, Y., Chen, Y., Wang, Y., Liu, Y., Qin, Y., Liu, Y., Yang, Y., Bao, Y., Du, Y., Wu, Y., Wang, Y., Zhou, Z., Wang, Z., Li, Z., Zhu, Z., Zhang, Z., Wang, Z., Yang, Z., Huang, Z., Huang, Z., Xu, Z. und Yang, Z. Kimi k1.5: Scaling reinforcement learning with llms, 2025. URL https://arxiv.org/abs/2501.12599.

Team, N. Sky- tl: Fully open- source reasoning model with o1- preview performance in 450\(budget, 2025. URL https://novasky- ai.github.io/posts/sky- tl. Accessed: 2025- 01- 09.

Team, Q. Qwq: Reflect deeply on the boundaries of the unknown, November 2024. URL https://qwenlm.github.io/blog/qwq- 32b- preview/.

Wang, J., Meng, F., Liang, Y. und Zhou, J. Drt- o1: Optimized deep reasoning translation via long chain- of- thought, 2024a. URL https://arxiv.org/abs/2412.17498.

Wang, P., Li, L., Shao, Z., Xu, R. X., Dai, D., Li, Y., Chen, D., Wu, Y. und Sui, Z. Math- shepherd: Verify and reinforce llms step- by- step without human annotations, 2024b. URL https://arxiv.org/abs/2312.08935.

Wang, S., Liu, Z., Zhong, W., Zhou, M., Wei, Z., Chen, Z. und Duan, N. From Isat: The progress and challenges of complex reasoning, 2021. URL https://arxiv.org/abs/2108.00648.

Wang, Z., Dong, Y., Delalleau, O., Zeng, J., Shen, G., Egert, D., Zhang, J. J., Sreedhar, M. N. und Kuchaiev, O. Help- steer2: Open- source dataset for training top- performing reward models, 2024c. URL https://arxiv.org/abs/2406.08673.

Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q. und Zhou, D. Chain- of- thought prompting elicits reasoning in large language models, 2023. URL https://arxiv.org/abs/2201.11903.

Welleck, S., Bertsch, A., Finlayson, M., Schoelkopf, H., Xie, A., Neubig, G., Kulikov, I. und Harchaoui, Z. From decoding to meta- generation: Inference- time algorithms for large language models, 2024. URL https://arxiv.org/abs/2406.16838.

Wu, T., Lan, J., Yuan, W., Jiao, J., Weston, J., and Sukhbaatar, S. Thinking llms: General instruction following with thought generation, 2024a. URL https://arxiv.org/abs/2410.10630. Wu, Y., Sun, Z., Li, S., Welleck, S., and Yang, Y. Inference scaling laws: An empirical analysis of compute- optimal inference for problem- solving with language models, 2024b. URL https://arxiv.org/abs/2408.00724. Xiang, V., Snell, C., Gandhi, K., Albalak, A., Singh, A., Blagden, C., Phung, D., Rafailov, R., Lile, N., Mahan, D., Castricato, L., Franken, J.- P., Haber, N., and Finn, C. Towards system 2 reasoning in llms: Learning how to think with meta chain- of- thought, 2025. URL https://arxiv.org/abs/2501.04682. Xie, Y., Kawaguchi, K., Zhao, Y., Zhao, X., Kan, M.- Y., He, J., and Xie, Q. Self- evaluation guided beam search for reasoning, 2023. URL https://arxiv.org/abs/2305.00633. Xin, H., Guo, D., Shao, Z., Ren, Z., Zhu, Q., Liu, B., Ruan, C., Li, W., and Liang, X. Deepseek- prover: Advancing theorem proving in llms through large- scale synthetic data, 2024. URL https://arxiv.org/abs/2405.14333. Xu, H., Wu, X., Wang, W., Li, Z., Zheng, D., Chen, B., Hu, Y., Kang, S., Ji, J., Zhang, Y., Guo, Z., Yang, Y., Zhang, M., and Zhang, D. Redstar: Does scaling long- cot data unlock better slow- reasoning systems?, 2025. URL https://arxiv.org/abs/2501.11284. Yang, Z., Band, N., Li, S., Candès, E., and Hashimoto, T. Synthetic continued pretraining, 2024. URL https://arxiv.org/abs/2409.07431. Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T. L., Cao, Y., and Narasimhan, K. Tree of thoughts: Deliberate problem solving with large language models, 2023a. URL https://arxiv.org/abs/2305.10601. Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., and Cao, Y. React: Synergizing reasoning and acting in language models, 2023b. URL https://arxiv.org/abs/2210.03629. Ye, Y., Huang, Z., Xiao, Y., Chern, E., Xia, S., and Liu, P. Limo: Less is more for reasoning, 2025a. URL https://arxiv.org/abs/2502.03387. Ye, Y., Xiao, Y., Mi, T., and Liu, P. Aime- preview: A rigorous and immediate evaluation framework for advanced mathematical reasoning. https://github.com/GAIR- NLP/AIME- Preview, 2025b. GitHub-Repository.

Yu, L., Jiang, W., Shi, H., Yu, J., Liu, Z., Zhang, Y., Kwok, J. T., Li, Z., Weller, A., and Liu, W. Metamath: Bootstrap your own mathematical questions for large language models, 2024. URL https://arxiv.org/abs/2309.12284. Yuan, S., Chen, Z., Xi, Z., Ye, J., Du, Z., and Chen, J. Agent- r: Training language model agents to reflect via iterative self- training, 2025. URL https://arxiv.org/abs/2501.11425. Zelikman, E., Wu, Y., Mu, J., and Goodman, N. D. Star: Bootstrapping reasoning with reasoning, 2022. URL https://arxiv.org/abs/2203.14465. Zelikman, E., Harik, G., Shao, Y., Jayasiri, V., Haber, N., and Goodman, N. D. Quiet- star: Language models can teach themselves to think before speaking, 2024. URL https://arxiv.org/abs/2403.09629. Zhang, H. and Chen, C. Test- time compute scaling laws, 2024. URL https://github.com/hughbzhang/ol_inference_scaling_laws. Zhang, S., Chen, Z., Shen, Y., Ding, M., Tenenbaum, J. B., and Gan, C. Planning with large language models for code generation, 2023. URL https://arxiv.org/abs/2303.05510. Zhang, Y., Wu, S., Yang, Y., Shu, J., Xiao, J., Kong, C., and Sang, J. ol- coder: an ol replication for coding, 2024a. URL https://arxiv.org/abs/2412.00154. Zhang, Y., Yang, J., Yuan, Y., and Yao, A. C.- C. Cumulative reasoning with large language models, 2024b. URL https://arxiv.org/abs/2308.04371. Zhong, H., Xiao, C., Tu, C., Zhang, T., Liu, Z., and Sun, M. Jec- qa: A legal- domain question answering dataset, 2019. URL https://arxiv.org/abs/1911.12011. Zhong, W., Cui, R., Guo, Y., Liang, Y., Lu, S., Wang, Y., Saied, A., Chen, W., and Duan, N. Agieval: A human- centric benchmark for evaluating foundation models, 2023. URL https://arxiv.org/abs/2304.06364. Zhou, A., Yan, K., Shlapentokh- Rothman, M., Wang, H., and Wang, Y.- X. Language agent tree search unifies reasoning acting and planning in language models, 2024. URL https://arxiv.org/abs/2310.04406. Zhou, C., Liu, P., Xu, P., Iyer, S., Sun, J., Mao, Y., Ma, X., Efrat, A., Yu, P., Yu, L., Zhang, S., Ghosh, G., Lewis, M., Zettlemoyer, L., and Levy, O. Lima: Less is more for alignment, 2023. URL https://arxiv.org/abs/2305.11206.

Inhalt

1 Einleitung 1

2 Kuratierung von Reasoning-Daten zur Erstellung von s1K 2

2.1 Erste Sammlung von 59K Beispielen 2

2.2 Endgültige Auswahl von 1K Beispielen 2

3 Test-Time Scaling 3

3.1 Methode 3

3.2 Metriken 4

4 Ergebnisse 4

4.1 Versuchsaufbau 4

4.2 Leistung 6

5 Ablationen 6

5.1 Datenmenge, Diversität und Schwierigkeit 6

5.2 Methoden des Test-Time Scaling 6

6 Diskussion und verwandte Arbeiten 8

6.1 Proben-effizientes Reasoning 8

6.2 Test-Time Scaling 9

A s1.1 16

B Determinismus der Evaluierung 16

C Details zu s1K 17

C.1 Zusammenfassung von s1K 17

C.2 Datensatzzusammensetzung für die vollständigen 59K Fragen 17

C.3 Bewertungs-Prompt für s1K 19

C.4 Diversitätsauswahl für s1K 19

C.5 Dekontaminierung 19

D Trainingsdetails 21

D.1 Trainings-Ablationen: Sequenzlänge 21

D.2 Trainingsbeispiele 21

E Details zum Test-Time Scaling 35

E.1 Ablationen zum sequenziellen Scaling 35

E.2 Beispiele für die Ablation zum Rejection Sampling 37

F Versionskontrolle 46

A. s1.1

A. s1.1Sieben Tage nach der Veröffentlichung von s1 haben wir s1.1 veröffentlicht. Wir haben die Traces für unsere 1.000 Beispiele in s1K mit DeepSeek r1 (DeepSeek-AI et al., 2025) neu generiert, um s1K-1.1 zu erstellen. Wir verwenden dasselbe Trainingsverfahren, um unser Modell s1.1 zu trainieren. Weitere Aktualisierungen seit unserem Launch umfassen die Veröffentlichung von o3 (OpenAI, 2025), LIMO (Ye et al., 2025a) und AIME 2025. Wir berücksichtigen all diese neuen Entwicklungen in Tabelle 5. Wir stellen fest, dass s1.1 deutlich besser abschneidet als s1. Wir haben außerdem versucht, von Claude 3.7 zu destillieren, was zu einer schlechteren Leistung als bei r1 führte (nicht berichtet).

ModellBeispieleMATH500GPQAAIME 2024AIME 2025
Nur API
o3-mini-lowN/A95,870,656,342,1
o3-mini-mediumN/A97,376,875,870,4
o3-mini-highN/A97,979,783,880,9
Offene Gewichte
QwQ-32BN.A.90,654,546,732,7
r1≥800K07,371,579,870,0
r1-distill-Llama-70B800K94,565,257,156,3
r1-distill-Qwen-14B800K93,959,161,748,0
r1-distill-Qwen-32B800K94,362,158,349,6
Offene Gewichte und offene Daten
LIMO81794,866,756,344,6
s1 w/o BF1K92,656,650,026,7
s1 mit Budget Forcing „Wait“ 1x1K92,859,653,330,0
s1 mit Budget Forcing „Wait“ 2x1K93,059,653,333,3
s1 mit Budget Forcing „Wait“ 4x1K92,258,656,736,7
s1.1 ohne BF1K94,460,656,750,0
s1.1 mit Budget Forcing „Wait“ 1x1K95,462,656,750,0
s1.1 mit Budget Forcing „Wait“ 2x1K95,463,656,750,0
Tabelle 5. s1-32B ist ein offenes und sample-effizientes Reasoning-Modell. Wir evaluieren s1-32B, Qwen und Gemini (einige Einträge sind unbekannt (N.A.), siehe §4\S 4 ). Die übrigen Ergebnisse stammen aus den jeweiligen Berichten (Qwen et al., 2024; Team, 2024; OpenAI, 2024; 2025; DeepSeek-AI et al., 2025; Labs, 2025; Team, 2025), mit Ausnahme von AIME 2025 (Ye et al., 2025b). # ex. == Anzahl der für das Reasoning-Finetuning verwendeten Beispiele; BF=\mathrm{BF} = Budget Forcing.

B. Determinismus der Evaluierung

Wir führen unsere Evaluierungen mit vLLM (Kwon et al., 2023) durch, da es schneller ist als die Alternativen, die wir ausprobiert haben. Wir stellen jedoch fest, dass sich die Bewertungsergebnisse selbst bei Verwendung derselben Zufallsstartwerte und Greedy-Sampling zwischen den Durchläufen erheblich ändern können:

Unterschiedliche Batch-Größen führen zu unterschiedlichen Ergebnissen, siehe https://github.com/vllm- project/vllm/issues/5898 Fortgesetzte Generierungen führen zu unterschiedlichen Ergebnissen, siehe https://github.com/vllm- project/vllm/issues/11783 Änderungen der Tensor-Parallelität führen zu unterschiedlichen Ergebnissen

Da unser Modell vor seiner Antwort lange Reasoning-Traces generiert, können sich kleine numerische Änderungen zu großen Unterschieden aufschaukeln. Wir begegnen vielen Generierungen, die über Tausende von Tokens exakt gleich sind und dann plötzlich bei einem Token abweichen, wodurch schließlich eine völlig andere Antwort entsteht. Um diesem Problem teilweise entgegenzuwirken, führen wir unsere abschließenden Evaluierungen im Allgemeinen mit voller Präzision durch, sofern nicht anders angegeben.

- .

C. Details zu s1K

C.1. Zusammenfassung von s1K

Domäne#FragenGesamtzahl der TokensSchlüsselwörter
Geometrie109560,2KFläche, Dreieck, Abstand
Zahlentheorie98522,5KFolgen, Teilbarkeit
Kombinatorik75384,7KPermutationen, Abzählen
Reelle Funktionen43234,8KTrigonometrie, Analysis
Biologie41120,9KOrganische Reaktionen
Komplexe Funktionen32170,2KKomplexe Wurzeln
Quantentheorie32127,9KTeilchen, Wellenfunktionen
Feldtheorie28150,1KPolynome, Wurzeln
Variationsrechnung28155,5KOptimierung, Steuerung
Differenzengleichungen24132,5KRekurrenz, Rekursion
Elektromagnetische Theorie2395,8KOptik, Wellen, Beugung
Gruppentheorie22100,0KGruppen, Automorphismen
Lineare Algebra22128,3KMatrizen, Determinanten
Wahrscheinlichkeitstheorie20114,6KZufällige Irrfahrt, Erwartungswert
Algebraische Systeme19109,9KFunktionalgleichungen
Mechanik19103,6KKräfte, Bewegung, Energie
Thermodynamik1974,2KWärmekraftmaschinen, Entropie
Differentialgleichungen1889,6KSubstitution, Existenz
Informatik1834,2KKomplexitätstheorie, Algorithmen
Numerische Analysis1876,5KFehleranalyse, Stabilität
Analysis1796,3KKonvergenz, Summation
Algebraische Strukturen1790,4KUngleichungen, Mengen
Astronomie1637,7KSternpopulationen, Umlaufbahnen
Verbleibende 27 Domänen242982,2KDomänen mit ≤ 16 Fragen
Alle Domänen (51)10004,7Ms1K
Tabelle 6. Zusammenfassung unseres Datensatzes s1K. Die Tokenanzahl wurde mit dem Qwen-2.5-Tokenizer gemessen. Wir fordern Claude auf, Schlüsselwörter zu mehreren Fragen aus der Domäne zu generieren.

C.2. Datensatzzusammensetzung für die vollständigen 59K Fragen

SourceBeschreibung#StichprobenDurchschn. Denklänge
NuminaMATH (LI et al., 2024)Mathematikaufgaben von Online-Websites306604.1K
MATH (Hendrycks et al., 2021)Mathematikaufgaben aus Wettbewerben119992.9K
OlympicArena (Huang et al., 2024a)Olympiade-Aufgaben aus Astronomie, Biologie, Chemie, Informatik, Geographie, Mathematik und Physik42503.2K
OmniMath (Gao et al., 2024a)Mathematikaufgaben aus Wettbewerben42384.4K
AGIEval (Zhong et al., 2023; Ling et al., 2017; Hendrycks et al., 2021; Liu et al., 2020; Zhong et al., 2019; Wang et al., 2021)Englisch-, Rechts-, Logik- und Mathematikaufgaben aus dem SAT, LSAT und anderen Prüfungen23851.2K
xwordKreuzworträtsel9990.7K
OlympiadBench (He et al., 2024)Olympiade-Aufgaben aus Mathematik und Physik8963.9K
AIME (1983-2021)American Invitational Mathematics Examination8904.7K
TheoremQA (Chen et al., 2023)Informatik-, Finanz-, Mathematik- und Physikaufgaben auf Universitätsniveau mit Bezug zu Theoremen7472.1K
USACO (Shi et al., 2024)Codeaufgaben aus der USA Computing Olympiad5193.6K
JEEBench (Arora et al., 2023)Chemie-, Mathematik- und Physikaufgaben aus der Aufnahmeprüfung des Indian Institute of Technology5152.9K
GPQA (Rein et al., 2023)Wissenschaftliche Fragen auf Doktorandenniveau3482.9K
SciEval (Sun et al., 2024)Biologie-, Chemie- und Physikaufgaben aus verschiedenen Quellen2270.7K
s1-probQualifikationsprüfungen in Statistik der Stanford University1824.0K
LiveCodeBench (Jain et al., 2024)Codeaufgaben von Coding-Websites (LeetCode, AtCoder und CodeForces)1513.5K
s1-teasersMathe-Knobelaugaben, die aus dem Internet gecrawlt wurden234,1K
Alle 59K FragenZusammensetzung der oben genannten Datensätze mit Reasoning-Traces und Lösungen590293,6K
Tabelle 7. Zusammensetzung der vollständigen 59K Fragen. Die Längen von Denk- und Antwortschritten werden in Tokens unter Verwendung des Qwen2.5-32B-Instruct-Tokenizers (Qwen et al., 2024) gemessen. Neben dem Ausschluss unseres Evaluations-Benchmarks AIME24 schließen wir auch AIME-Fragen aus den Jahren 2022–2023 aus, da wir diese 90 Fragen während unserer Entwicklungsphase von s1-32B verwenden.

C.3. Bewertungs-Prompt für s1K

Um zu bewerten, ob ein Beispiel für unsere Datensatzauswahl in §2\S 2 korrekt ist, verwenden wir den Prompt in Abbildung 8. Wir bewerten mit Claude 3.5, mit Ausnahme der Korrektheit unter den abschließenden 1.000 Beispielen, die wir mit Claude 3.7 bewertet haben.

Du bist ein KI-Assistent zur Bewertung eines naturwissenschaftlichen Problems. Der Nutzer stellt dir die Frage selbst, einen Lösungsversuch eines Studierenden und die korrekte Antwort auf das Problem bereit. Deine Aufgabe ist es, zu beurteilen, ob der Versuch korrekt ist, indem du ihn mit der korrekten Antwort vergleichst. Wenn die erwartete Lösung mit einer Zahl oder einer Auswahl endet, sollte es keine Mehrdeutigkeit geben. Wenn die erwartete Lösung den gesamten Denkprozess umfasst, solltest du den Versuch danach beurteilen, ob der Denkprozess korrekt ist, gegebenenfalls mit korrekter Antwort.

Der Nutzer stellt den Versuch und die korrekte Antwort im folgenden Format bereit:

Problem {problem}

Versuch {attempt}

Korrekte Antwort {solution}

Erläutere deine Begründung und beende deine Antwort in einer neuen Zeile mit ausschließlich „Ja“ oder „Nein“ (ohne Anführungszeichen).

C.4. Diversitätsauswahl für s1K

Algorithmus 1 stellt unseren Algorithmus zur Auswahl von Daten in unserer Diversitätsauswahlphase bereit. Wie in §2\S 2 erwähnt, beziehen wir außerdem Beispiele aus einigen spezifischen Benchmarks ein, die wir als hochwertig erachten. Keines der Beispiele überschneidet sich mit unserer abschließenden Evaluierung.

C.5. Dekontaminierung

Wir filtern alle Beispiele, indem wir auf eine 8-Gramm-Überschneidung zwischen den ausgewählten Beispielen und den Evaluierungs-Benchmarks MATH500, GPTQA Diamond und AIME24 prüfen. Wir schließen Fragen mit mehr als einer 8-Gramm-Überschneidung aus.

Algorithmus 1 Zweistufiges Sampling für s1K

1: Eingabe: Q≔Q\coloneqq Menge von 24.496 Fragen mit Merkmalen 2: Ausgabe: S≔S\coloneqq Menge von 1.000 ausgewählten Fragen 3: S←∅S\leftarrow \emptyset Ausgabemenge initialisieren (verfolgt nur eindeutige Elemente) 4: for q∈Qq\in Q do 5: if IsGeminiCorrect (q)(q) and (IsAIME (q)(q) or IsGPQA (q)(q) ) then 6: S←S∪{q}S\gets S\cup \{q\} 7: Alle korrekten AIME/GPQA-Lösungen auswählen 8: else if IsGeminiCorrect (q)(q) and IsMATH (q)(q) and ThinkingLength (q)>5600(q) > 5600 then 9: S←S∪{q}S\gets S\cup \{q\} 10: Korrekte MATH500-Lösungen mit langen Ketten auswählen 11: end if 12: end for 13: D←D\gets Alle verfügbaren Domänen 14: Domänenpool initialisieren 15: while ∣S∣<1000|S|< 1000 do 16: d←d\gets RandomChoice (D)(D) 17: Zufällig eine Domäne auswählen 18: Qd←Q_{d}\gets Fragen in Domäne dd 19: Fragen aus dieser Domäne abrufen 20: ranks ←\leftarrow RankByThinkingLength (Qd)(Q_{d}) 21: Nach Denklänge ordnen 22: weights ←2−\leftarrow 2^{-} ranks 23: Potenzgesetz-Gewichtung anwenden 24: q←q\gets WeightedSample (Qd(Q_{d} , weights) 25: Stichprobe zugunsten längerer Ketten ziehen 26: S←S∪{q}S\gets S\cup \{q\} 27: Ausgewählte Frage hinzufügen 28: Qd←Qd∖{q}Q_{d}\gets Q_{d}\setminus \{q\} 29: if Qd=∅Q_{d} = \emptyset then 30: D←D∖{d}D\gets D\setminus \{d\} 31: Erschöpfte Domänen entfernen 32: end if 33: end while

D. Trainingsdetails

Wir nehmen ein Modell, das bereits vortrainiert und instruktionsabgestimmt wurde, und finetunen es weiter für das Reasoning. Konkret verwenden wir Qwen2.5- 32B- Instruct (Qwen et al., 2024), das bei Mathe-Aufgaben im Allgemeinen mit dem größeren Qwen2.5- 72B- Instruct (Qwen et al., 2024) oder anderen offenen Modellen (Dubey et al., 2024; Groeneveld et al., 2024; Muennighoff et al., 2024) mithält oder diese übertrifft. Wir verwenden Token-Trennzeichen, um die Denkphase von der Antwortphase zu trennen. Wir schließen die Denkphase mit <|im_start|>think und <|im_start|>answer ein; beide werden von einem Zeilenumbruch vorangestellt und gefolgt. Beispiele aus unserem Datensatz finden sich in §D.2\S \mathrm{D}.2 . Wir verwenden grundlegende Fine- Tuning- Hyperparameter: Wir trainieren über 5 Epochen mit einer Batch-Größe von 16 für insgesamt 315 Gradientenschritte. Wir trainieren in bfloat16- Präzision mit einer Lernrate von 1e−51e - 5 , die linear über 5%5\% (16 Schritte) aufgewärmt und dann über den Rest des Trainings (299 Schritte) nach einem Kosinus-Zeitplan auf 0 abgesenkt wird. Wir verwenden den AdamW-Optimierer (Loshchilov & Hutter, 2019) mit β1=0.9\beta_{1} = 0.9 , β2=0.95\beta_{2} = 0.95 und Weight Decay von 1e−41e - 4 . Wir berechnen den Loss nicht auf Fragen, sondern nur auf Reasoning-Spuren und Lösungen. Wir stellen sicher, dass die Sequenzlänge groß genug ist, um ein Abschneiden von Stichproben zu vermeiden; eine Einstellung, die wir in §D.1\S \mathrm{D}.1 ablatieren. Das Training dauert nur 26 Minuten auf 16 NVIDIA H100 GPUs.

Abbildung 9. Trainingsdynamik von s1-32B auf s1K.

D.1. Trainings-Ablationen: Sequenzlänge

Modell AModell B
Trainingssequenzlänge409632768
% der Trainingsbeispiele abgeschnitten74%0%
AIME2430,0 % / 2072150,0 % / 6984
MATH50090,0 % / 532491,0 % / 3268
GPQA52,5 % / 684153,0 % / 3568

Tabelle 8. Ablation der Trainingssequenzlänge. Wir berichten „Genauigkeit / durchschnittliche Denk-Tokens pro Stichprobe“; je höher die Genauigkeit und je geringer die Denk-Tokens (Inferenzkosten), desto besser.

Neben unseren Skalierungs-Ablationen in §5.2\S 5.2 ist der wichtigste Trainingshyperparameter, den wir ablatieren, die während des Trainings verwendete Sequenzlänge. Wir stellen fest, dass eine kürzere Trainingssequenzlänge zu längeren Reasoning-Spuren zur Testzeit führt. Dies liegt daran, dass beim Training mit einer kürzeren Sequenzlänge der Antwortabschnitt der Trainingsstichprobe häufiger abgeschnitten wird. Umgekehrt erscheinen bei längerer Trainingssequenzlänge mehr Stichproben vollständig mit dem Abschnitt, in dem das Modell antwortet. Somit erhält das Modell mehr Gradienten-Updates, bei denen es lernt, eine Antwort im Anschluss an seine Kette zu generieren. Dies wiederum führt zu einer höheren Log-Wahrscheinlichkeit des Antwortabschnitts zu jedem Zeitpunkt während der Generierung und damit zu kürzeren Reasoning-Spuren zur Testzeit. Leistungsmäßig stellen wir zudem fest, dass das Modell, das mit einer längeren Sequenzlänge trainiert wurde, besser abschneidet. Daher entscheiden wir uns für die längste Trainingssequenzlänge, da sie zu besserer Leistung führt und die Inferenz durch kürzere Reasoning-Spuren effizienter macht.

D.2. Trainingsstichproben

Tabelle 9, Tabelle 10, Tabelle 11 enthalten Trainingsstichproben aus s1K.

Tabelle 9. s1K-Stichprobe, die aus s1-prob stammt. Der schwarze Text ist die Frage und der gelbe Text ist die Lösung. Ausschließlich auf der Grundlage der Frage erzeugen wir mit Gemini den hellblauen Begründungsverlauf und die blaue Antwort, die wir zum Training verwenden.

Gegeben sind integrierbare Zufallsvariablen X,Y0X,Y_{0} und Z0Z_{0} auf demselben Wahrscheinlichkeitsraum (Ω,F,P)(\Omega ,\mathcal{F},\mathbb{P}) sowie zwei σ\sigma-Algebren A⊂F,B⊂F\mathcal{A}\subset \mathcal{F},\mathcal{B}\subset \mathcal{F}. Für k=1,2,…k = 1,2,\ldots sei

Yk≔E[X∣σ(A,Z0,…,Zk−1)],Zk≔E[X∣σ(B,Y0,…,Yk−1)].Y_{k}\coloneqq \mathbb{E}[X|\sigma (\mathcal{A},Z_{0},\ldots ,Z_{k - 1})],\quad Z_{k}\coloneqq \mathbb{E}[X|\sigma (\mathcal{B},Y_{0},\ldots ,Y_{k - 1})].

(a) Zeigen Sie, dass es integrierbare Zufallsvariablen Y∞Y_{\infty} und Z∞Z_{\infty} gibt, sodass für n→∞n\to \infty sowohl E[∣Yn−Y∞∣]→0\mathbb{E}[|Y_{n} - Y_{\infty}|]\to 0 als auch E[∣Zn−Z∞∣]→0\mathbb{E}[|Z_{n} - Z_{\infty}|]\to 0 gilt. (b) Beweisen Sie, dass fast sicher Y∞=Z∞Y_{\infty} = Z_{\infty} gilt.

1. Führen Sie die Notationen Fn≔σ(A,Z0,…,Zn−1)F_{n}\coloneqq \sigma (\mathcal{A},Z_{0},\ldots ,Z_{n - 1}) und Gn≔σ(B,Y0,…,Yn−1)G_{n}\coloneqq \sigma (B,Y_{0},\ldots ,Y_{n - 1}) für alle n≥1n\geq 1 sowie F0≔AF_{0}\coloneqq \mathcal{A}, G0≔BG_{0}\coloneqq \mathcal{B} ein. Offensichtlich sind beide Filtrationen, und per Definition gilt Yn=E[X∣Fn]Y_{n} = \mathbb{E}\left[X|F_{n}\right] und Zn=E[X∣Gn]Z_{n} = \mathbb{E}\left[X|G_{n}\right] für alle n≥0n\geq 0. Somit ist {Yn}n≥0\left\{Y_{n}\right\}{n\geq 0} (oder {Zn}n≥0\left\{Z{n}\right\}{n\geq 0}) ein Doob-Martingal bezüglich der Filtration {Fn}n≥0\left\{F{n}\right\}{n\geq 0} (oder {Gn}n≥0\left\{G{n}\right\}_{n\geq 0}) und daher U.I., da XX integrierbar ist. Wenden Sie nun die Tatsache an, dass ein Martingal genau dann U.I. ist, wenn es in L1L^{1} konvergiert, und schließen Sie.

2. Wir geben zwei verschiedene Beweise.

1. Beobachten Sie die folgende Identität, die aus der Turmeigenschaft folgt.

E[Yn∣Gn]=E[E[X∣Fn]∣Gn]=E[E[X∣Gn]∣Fn]=E[Zn∣Fn].(4)\mathbb{E}\left[Y_{n}|G_{n}\right] = \mathbb{E}\left[\mathbb{E}\left[X|F_{n}\right]|G_{n}\right] = \mathbb{E}\left[\mathbb{E}\left[X|G_{n}\right]|F_{n}\right] = \mathbb{E}\left[Z_{n}|F_{n}\right]. \quad (4)

Beachten Sie, dass E[E[Yn∣Gn]−E[Y∞∣Gn]∣≤E∣Yn−Y∞∣=o(1)\mathbb{E}[\mathbb{E}\left[Y_{n}|G_{n}\right] - \mathbb{E}\left[Y_{\infty}|G_{n}\right]|\leq \mathbb{E}|Y_{n} - Y_{\infty}| = o(1) gilt und nach Levys aufsteigendem Theorem E[Y∞∣Gn]⟶L1E[Y∞∣G∞]\mathbb{E}\left[Y_{\infty}|G_{n}\right]\stackrel {L^{1}}{\longrightarrow}\mathbb{E}\left[Y_{\infty}|G_{\infty}\right], wobei G∞=σ(∪n≥0Gn)=σ(B,Y0,Y1…)G_{\infty} = \sigma \left(\cup_{n\geq 0}G_{n}\right) = \sigma (B,Y_{0},Y_{1}\ldots). Es ist offensichtlich, dass Y∞∈mG∞Y_{\infty}\in m G_{\infty} gilt (da es der fast sichere Grenzwert von Yn∈mGnY_{n}\in m G_{n} ist) und daher E[Y∞∣G∞]=Y∞\mathbb{E}\left[Y_{\infty}|G_{\infty}\right] = Y_{\infty} fast sicher gilt. Durch Kombination der obigen Beobachtungen schließen wir, dass E[Yn∣Gn]⟶L1Y∞\mathbb{E}\left[Y_{n}|G_{n}\right]\stackrel {L^{1}}{\longrightarrow}Y_{\infty} gilt. Analog gilt E[Zn∣Fn]⟶L1Z∞\mathbb{E}\left[Z_{n}|F_{n}\right]\stackrel {L^{1}}{\longrightarrow}Z_{\infty}. Ziehen Sie nun Gleichung (4) heran, um zu schließen, dass Y∞=Z∞Y_{\infty} = Z_{\infty} fast sicher gilt.

2. Da XX integrierbar ist, gilt nach Levys aufsteigendem Theorem Y∞=lim⁡n→∞Yn=lim⁡n→∞E[X∣Fn]=E[X∣F∞]Y_{\infty} = \lim_{n\to \infty}Y_{n} = \lim_{n\to \infty}\mathbb{E}\left[X|F_{n}\right] = \mathbb{E}\left[X|F_{\infty}\right]. Analog gilt Z∞=E[X∣G∞]Z_{\infty} = \mathbb{E}\left[X|G_{\infty}\right]. Andererseits haben wir im ersten Beweis beobachtet, dass Y∞∈mG∞Y_{\infty}\in m G_{\infty} gilt und daher Y∞∈Y_{\infty}\in mG∞∩mF∞=m(G∞∩F∞)m G_{\infty}\cap m F_{\infty} = m\left(G_{\infty}\cap F_{\infty}\right). Dies ergibt Folgendes.

Y∞=E[Y∞∣G∞∩F∞]=E[E[X∣F∞]∣G∞∩F∞]=E[X∣G∞∩F∞].Y_{\infty} = \mathbb{E}\left[Y_{\infty}|G_{\infty}\cap F_{\infty}\right] = \mathbb{E}\left[\mathbb{E}\left[X|F_{\infty}\right]|G_{\infty}\cap F_{\infty}\right] = \mathbb{E}\left[X|G_{\infty}\cap F_{\infty}\right].

Analog gilt Z∞=E[X∣G∞∩F∞]Z_{\infty} = \mathbb{E}\left[X|G_{\infty}\cap F_{\infty}\right]. Dies beweist, dass Y∞=Z∞Y_{\infty} = Z_{\infty} fast sicher gilt.

Analysieren wir das Problem. Gegeben sind zwei Folgen von Zufallsvariablen YkY_{k} und ZkZ_{k}, die durch bedingte Erwartungen definiert sind. Wir müssen zeigen, dass diese Folgen in L1L^{1} konvergieren und dass ihre Grenzwerte fast sicher gleich sind.

Teil (a): Konvergenz in L1L^{1}.

Die beteiligten Sigma-Algebren sind aufsteigend:

Fk=σ(A,Z0,…,Zk−1)F_{k} = \sigma (\mathcal{A},Z_{0},\ldots ,Z_{k - 1})

Gk=σ(B,Y0,…,Yk−1)G_{k} = \sigma (B,Y_{0},\ldots ,Y_{k - 1})

Für die Folge YkY_{k}:

Y1=E[X∣σ(A)]Y_{1} = \mathbb{E}[X|\sigma (\mathcal{A})]

Y2=E[X∣σ(A,Z0)]Y_{2} = \mathbb{E}[X|\sigma (\mathcal{A},Z_{0})]

Y3=E[X∣σ(A,Z0,Z1)]Y_{3} = \mathbb{E}[X|\sigma (\mathcal{A},Z_{0},Z_{1})]

Die Folge der Sigma-Algebren σ(A,Z0,…,Zk−1)\sigma (\mathcal{A},Z_{0},\ldots ,Z_{k - 1}) ist aufsteigend. Nach dem Martingalkonvergenzsatz (für bedingte Erwartungen) konvergiert die Folge YkY_{k}, da XX integrierbar ist, fast sicher und in L1L^{1} gegen E[X∣σ(A,Z0,Z1,…)]\mathbb{E}[X|\sigma (\mathcal{A},Z_{0},Z_{1},\ldots)] . Sei Y∞=E[X∣σ(A,Z0,Z1,…)]Y_{\infty} = \mathbb{E}[X|\sigma (\mathcal{A},Z_{0},Z_{1},\ldots)] .

Analog gilt für die Folge ZkZ_{k}:

Z1=E[X∣σ(B)]Z2=E[X∣σ(B,Y0)]Z3=E[X∣σ(B,Y0,Y1)]\begin{array}{c} Z_{1} = \mathbb{E}[X|\sigma (B)] \\ Z_{2} = \mathbb{E}[X|\sigma (B,Y_{0})] \\ Z_{3} = \mathbb{E}[X|\sigma (B,Y_{0},Y_{1})] \end{array}

Die Folge der Sigma-Algebren σ(B,Y0,…,Yk−1)\sigma (B,Y_{0},\ldots ,Y_{k - 1}) ist aufsteigend. Nach dem Martingalkonvergenzsatz konvergiert die Folge ZkZ_{k} fast sicher und in L1L^{1} gegen E[X∣σ(B,Y0,Y1,…)]\mathbb{E}[X|\sigma (B,Y_{0},Y_{1},\ldots)] . Sei Z∞=E[X∣σ(B,Y0,Y1,…)]Z_{\infty} = \mathbb{E}[X|\sigma (B,Y_{0},Y_{1},\ldots)] .

Teil (b): Beweisen Sie, dass fast sicher Y∞=Z∞Y_{\infty} = Z_{\infty} gilt.

Wir haben Y∞=E[X∣σ(A,Z0,Z1,…)]Y_{\infty} = \mathbb{E}[X|\sigma (A,Z_{0},Z_{1},\ldots)] und Z∞=E[X∣σ(B,Y0,Y1,…)]Z_{\infty} = \mathbb{E}[X|\sigma (B,Y_{0},Y_{1},\ldots)] .

Sei Y∞=σ(A,Z0,Z1,…)\mathcal{Y}{\infty} = \sigma (A,Z{0},Z_{1},\ldots) und Z∞=σ(B,Y0,Y1,…)Z_{\infty} = \sigma (B,Y_{0},Y_{1},\ldots) .

Dann gilt Y∞=E[X∣Y∞]Y_{\infty} = \mathbb{E}[X|\mathcal{Y}{\infty}] und Z∞=E[X∣Z∞]Z{\infty} = \mathbb{E}[X|Z_{\infty}] .

Betrachten Sie Y1=E[X∣A]Y_{1} = \mathbb{E}[X|\mathcal{A}] . Z1=E[X∣B]Z_{1} = \mathbb{E}[X|B] .

Y2=E[X∣σ(A,Z0)]Y_{2} = \mathbb{E}[X|\sigma (A,Z_{0})] . Da Z0=E[X∣B]Z_{0} = \mathbb{E}[X|B] gilt, ist σ(A,Z0)=σ(A,E[X∣B])\sigma (A,Z_{0}) = \sigma (A,\mathbb{E}[X|B]) .

Z2=E[X∣σ(B,Y0)]Z_{2} = \mathbb{E}[X|\sigma (B,Y_{0})] . Da Y0Y_{0} nicht definiert ist, nehmen wir an, dass Y0Y_{0} und Z0Z_{0} gegeben sind.

Betrachten wir die von allen YiY_{i} und ZiZ_{i} erzeugte Sigma-Algebra.

Sei G=σ(Y0,Z0,Y1,Z1,…)G = \sigma (Y_{0},Z_{0},Y_{1},Z_{1},\ldots) .

Sowohl YkY_{k} als auch ZkZ_{k} sind bezüglich GG messbar. Somit sind Y∞Y_{\infty} und Z∞Z_{\infty} bezüglich GG messbar.

Betrachten Sie E[Yn+1∣A,Z0,…,Zn−1]=E[E[X∣σ(A,Z0,…,Zn)]∣A,Z0,…,Zn−1]=Yn\mathbb{E}[Y_{n + 1}|\mathcal{A},Z_{0},\ldots ,Z_{n - 1}] = \mathbb{E}[\mathbb{E}[X|\sigma (A,Z_{0},\ldots ,Z_{n})]|\mathcal{A},Z_{0},\ldots ,Z_{n - 1}] = Y_{n} .

Betrachten Sie E[Zn+1∣B,Y0,…,Yn−1]=E[E[X∣σ(B,Y0,…,Yn)]∣B,Y0,…,Yn−1]=Zn\mathbb{E}[Z_{n + 1}|B,Y_{0},\ldots ,Y_{n - 1}] = \mathbb{E}[\mathbb{E}[X|\sigma (B,Y_{0},\ldots ,Y_{n})]|B,Y_{0},\ldots ,Y_{n - 1}] = Z_{n} .

Sei H=σ(A∪B∪σ(Y0,Z0,Y1,Z1,…))\mathcal{H} = \sigma (A\cup B\cup \sigma (Y_{0},Z_{0},Y_{1},Z_{1},\ldots)) .

Betrachten Sie E[X∣A,Z0,…,Zk−1]=Yk\mathbb{E}[X|\mathcal{A},Z_{0},\ldots ,Z_{k - 1}] = Y_{k} .

Betrachten Sie E[X∣B,Y0,…,Yk−1]=Zk\mathbb{E}[X|B,Y_{0},\ldots ,Y_{k - 1}] = Z_{k} .

Betrachten wir die Grenz-Sigma-Algebren Y∞=σ(A,Z0,Z1,…)\mathcal{Y}{\infty} = \sigma (A,Z{0},Z_{1},\ldots) und Z∞=σ(B,Y0,Y1,…)Z_{\infty} = \sigma (B,Y_{0},Y_{1},\ldots) .

Wir wissen, dass Y∞Y_{\infty} Y∞\mathcal{Y}{\infty} - messbar ist und Z∞Z{\infty} Z∞Z_{\infty} - messbar ist.

Sei C=σ(A∪B)C = \sigma (A\cup B) .

Y1=E[X∣A].Z1=E[X∣B].Y_{1} = \mathbb{E}[X|\mathcal{A}]. Z_{1} = \mathbb{E}[X|B].
Y2=E[X∣σ(A,Z0)]=E[X∣σ(A,E[X∣B])].Y_{2} = \mathbb{E}[X|\sigma (A,Z_{0})] = \mathbb{E}[X|\sigma (A,\mathbb{E}[X|B])].
Z2=E[X∣σ(B,Y0)]=E[X∣σ(B,E[X∣A])].Z_{2} = \mathbb{E}[X|\sigma (B,Y_{0})] = \mathbb{E}[X|\sigma (B,\mathbb{E}[X|A])].

Betrachten Sie den Fall, wenn A\mathcal{A} und BB unabhängig sind. Dann sind Y1=E[X∣A]Y_{1} = \mathbb{E}[X|\mathcal{A}] und Z1=E[X∣B]Z_{1} = \mathbb{E}[X|B] .

Y2=E[X∣σ(A,E[X∣B])]Y_{2} = \mathbb{E}[X|\sigma (A,\mathbb{E}[X|B])] .

Betrachten wir die von allen Informationen erzeugte Sigma-Algebra. Sei F∞=σ(A,B,Y0,Z0,Y1,Z1,…)F_{\infty} = \sigma (A,B,Y_{0},Z_{0},Y_{1},Z_{1},\ldots) .

Dann sind sowohl Y∞Y_{\infty} als auch Z∞Z_{\infty} F∞F_{\infty} - messbar.

Wir haben Y∞=lim⁡n→∞YnY_{\infty} = \lim_{n\to \infty}Y_{n} und Z∞=lim⁡n→∞ZnZ_{\infty} = \lim_{n\to \infty}Z_{n} f.s. und in L1L^{1} .

Betrachten Sie E[X∣A,Z0,Z1,…]=Y∞\mathbb{E}[X|\mathcal{A},Z_{0},Z_{1},\ldots ] = Y_{\infty} und E[X∣B,Y0,Y1,…]=Z∞\mathbb{E}[X|B,Y_{0},Y_{1},\ldots ] = Z_{\infty} .

Sei H∞=σ(A∪B)\mathcal{H}_{\infty} = \sigma (A\cup B) .

Betrachten Sie E[X∣H∞]\mathbb{E}[X|\mathcal{H}_{\infty}] .

Versuchen wir zu zeigen, dass sowohl Y∞Y_{\infty} als auch Z∞Z_{\infty} gleich E[X∣σ(A∨B)]\mathbb{E}[X|\sigma (A\vee B)] sind. Dies scheint zu einfach.

Betrachten wir die Definition des bedingten Erwartungswerts. Für jede Menge A∈Y∞A\in \mathcal{Y}{\infty} gilt E[Y∞∣A]=E[X∣A]\mathbb{E}[Y{\infty}|{A}] = \mathbb{E}[X|{A}] .

Für jede Menge B∈Z∞B\in \mathcal{Z}{\infty} gilt E[Z∞∣B]=E[X∣B]\mathbb{E}[Z{\infty}|{B}] = \mathbb{E}[X|{B}] .

Betrachten Sie E[Yk+1∣Fk]=Yk\mathbb{E}[Y_{k + 1}|F_{k}] = Y_{k} mit Fk=σ(A,Z0,…,Zk−1)F_{k} = \sigma (A,Z_{0},\ldots ,Z_{k - 1}) .

Betrachten Sie E[Zk+1∣Gk]=Zk\mathbb{E}[Z_{k + 1}|G_{k}] = Z_{k} mit Gk=σ(B,Y0,…,Yk−1)G_{k} = \sigma (B,Y_{0},\ldots ,Y_{k - 1}) .

Betrachten Sie die Sigma-Algebra σ(A∪B)\sigma (A\cup B) .

Sei W=E[X∣σ(A∪B)]W = \mathbb{E}[X|\sigma (A\cup B)] .

Wir haben Y∞=E[X∣σ(A,Z0,Z1,…)]Y_{\infty} = \mathbb{E}[X|\sigma (A,Z_{0},Z_{1},\ldots)] .

Da ZkZ_{k} von Yk−1Y_{k - 1} abhängt, welches von Zk−2Z_{k - 2} abhängt usw., ist es komplex.

Betrachten wir den Fall, in dem Y0=E[X∣A]Y_{0} = \mathbb{E}[X|\mathcal{A}] und Z0=E[X∣B]Z_{0} = \mathbb{E}[X|B] .

Dann ist Y1=E[X∣A]=Y0Y_{1} = \mathbb{E}[X|\mathcal{A}] = Y_{0} .

Z1=E[X∣B]=Z0.Z_{1} = \mathbb{E}[X|B] = Z_{0}.

Wenn dies der Fall wäre, dann wären Yk=Y0Y_{k} = Y_{0} und Zk=Z0Z_{k} = Z_{0} , also Y∞=Y0Y_{\infty} = Y_{0} und Z∞=Z0Z_{\infty} = Z_{0} .

Wir benötigen Y0=Z0Y_{0} = Z_{0} f.s., d.h. E[X∣A]=E[X∣B]\mathbb{E}[X|\mathcal{A}] = \mathbb{E}[X|B] f.s. Dies ist im Allgemeinen nicht wahr.

Betrachten Sie die von allen YiY_{i} und ZiZ_{i} erzeugte Sigma-Algebra, bezeichnet mit G∞=σ(Y0,Z0,Y1,Z1,…)\mathcal{G}{\infty} = \sigma (Y{0},Z_{0},Y_{1},Z_{1},\ldots) .

Dann ist Y∞=σ(A,Z0,Z1,…)⊆σ(A,G∞)\mathcal{Y}{\infty} = \sigma (A,Z{0},Z_{1},\ldots)\subseteq \sigma (A,G_{\infty}) .

\(\mathcal{Z}{\infty} = \sigma (B,Y{0},Y_{1},\ldots)\subseteq \sigma (B,G_{\infty})\) .Betrachten Sie \(\mathbb{E}[X|A,Z_{0},Z_{1},\ldots ] = Y_{\infty}\) .Das bedeutet für jedes \(A\in \sigma (A,Z_{0},Z_{1},\ldots)\)E[X1A]=E[Y∞1A]\mathbb{E}[X1_{A}] = \mathbb{E}[Y_{\infty 1_{A}}]

Betrachten Sie \(\mathbb{E}[X|B,Y_{0},Y_{1},\ldots ] = Z_{\infty}\) .Das bedeutet für jedes \(B\in \sigma (B,Y_{0},Y_{1},\ldots)\)E[X1B]=E[Z∞1B]\mathbb{E}[X1_{B}] = \mathbb{E}[Z_{\infty 1_{B}}]

Sei \(\mathcal{H} = \sigma (A,B)\)

Betrachten Sie \(\mathbb{E}[X|\mathcal{H}].\)

Betrachten Sie \(\mathbb{E}[Y_{\infty}|B,Y_{0},Y_{1},\ldots ] = \mathbb{E}[\mathbb{E}[X|A,Z_{0},Z_{1},\ldots ]|B,Y_{0},Y_{1},\ldots ]\)

Nutzen wir die Tatsache, dass \(Y_{\infty}\) \(\sigma (A,Z_{0},Z_{1},\ldots)\) - messbar ist und \(Z_{\infty}\) \(\sigma (B,Y_{0},Y_{1},\ldots)\) - messbar ist.

Betrachten Sie die kleinste Sigma-Algebra, die sowohl \(\sigma (A,Z_{0},Z_{1},\ldots)\) als auch \(\sigma (B,Y_{0},Y_{1},\ldots)\) enthält

Diese ist \(\sigma (A\cup B\cup \{Y_{i}\}{i\geq 0}\cup \{Z{i}\}_{i\geq 0})\)

Lass uns versuchen zu zeigen, dass E[(Y∞−Z∞)2]=0\mathbb{E}[(Y_{\infty} - Z_{\infty})^{2}] = 0

E[(Y∞−Z∞)2]=E[Y∞2]+E[Z∞2]−2E[Y∞Z∞]\mathbb{E}[(Y_{\infty} - Z_{\infty})^{2}] = \mathbb{E}[Y_{\infty}^{2}] + \mathbb{E}[Z_{\infty}^{2}] - 2\mathbb{E}[Y_{\infty}Z_{\infty}]

Betrachte die Definition von YkY_{k} und ZkZ_{k}

E[Yk+1∣A,Z0,…,Zk−1]=Yk\mathbb{E}[Y_{k + 1}|A,Z_{0},\ldots ,Z_{k - 1}] = Y_{k}

E[Zk+1∣B,Y0,…,Yk−1]=Zk\mathbb{E}[Z_{k + 1}|B,Y_{0},\ldots ,Y_{k - 1}] = Z_{k}

Betrachte E[Y∞∣B,Y0,Y1,…]\mathbb{E}[Y_{\infty}|B,Y_{0},Y_{1},\ldots ]

Da Y∞Y_{\infty} messbar bezüglich σ(A,Z0,Z1,…)\sigma (A,Z_{0},Z_{1},\ldots) ist, vereinfacht sich dies nicht ohne Weiteres.

Nehmen wir an, dass Y∞≠Z∞Y_{\infty}\neq Z_{\infty} auf einer Menge von positivem Maß gilt.

Betrachte den Fall, in dem AA und BB trivial sind.

Dann gilt Yk=E[X∣σ(Z0,…,Zk−1)]Y_{k} = \mathbb{E}[X|\sigma (Z_{0},\ldots ,Z_{k - 1})] und Zk=E[X∣σ(Y0,…,Yk−1)]Z_{k} = \mathbb{E}[X|\sigma (Y_{0},\ldots ,Y_{k - 1})]

Sei H∞=σ(A∪B∪{Yi,Zi}i≥0)\mathcal{H}{\infty} = \sigma (A\cup B\cup \{Y{i},Z_{i}\}_{i\geq 0})

Betrachte E[X∣H∞]\mathbb{E}[X|\mathcal{H}_{\infty}]

Wir haben Y∞=E[X∣σ(A,Z0,Z1,…)]Y_{\infty} = \mathbb{E}[X|\sigma (A,Z_{0},Z_{1},\ldots)]

Aufgrund der Eigenschaften des bedingten Erwartungswerts gilt E[Y∞∣A]=E[E[X∣A,Z0,Z1,…]∣A]\mathbb{E}[Y_{\infty}|\mathcal{A}] = \mathbb{E}[\mathbb{E}[X|\mathcal{A},Z_{0},Z_{1},\ldots ]|\mathcal{A}]

Betrachte die Sigma-Algebra DD, die von allen beteiligten Zufallsvariablen erzeugt wird.

D=σ(A∪B∪{Yi}i≥0∪{Zi}i≥0)D = \sigma (A\cup B\cup \{Y_{i}\}{i\geq 0}\cup \{Z{i}\}_{i\geq 0})

Sei M∞=E[X∣A∨B]M_{\infty} = \mathbb{E}[X|A\vee B]

Betrachte die Grenzwerte. Für n→∞n\to \infty gilt σ(A,Z0,…,Zn−1)↑σ(A,Z0,Z1,…)\sigma (A,Z_{0},\ldots ,Z_{n - 1})\uparrow \sigma (A,Z_{0},Z_{1},\ldots)

Für n→∞n\to \infty gilt σ(B,Y0,…,Yn−1)↑σ(B,Y0,Y1,…)\sigma (B,Y_{0},\ldots ,Y_{n - 1})\uparrow \sigma (B,Y_{0},Y_{1},\ldots)

Sei Y∞=σ(A,Z0,Z1,…)Y_{\infty} = \sigma (A,Z_{0},Z_{1},\ldots) und Z∞=σ(B,Y0,Y1,…)Z_{\infty} = \sigma (B,Y_{0},Y_{1},\ldots)

Wir haben Y∞=E[X∣Y∞]Y_{\infty} = \mathbb{E}[X|Y_{\infty}] und Z∞=E[X∣Z∞]Z_{\infty} = \mathbb{E}[X|Z_{\infty}]

Betrachte E[Y∞−Z∞]2=E[(Y∞−X)+(X−Z∞)]2\mathbb{E}[Y_{\infty} - Z_{\infty}]^{2} = \mathbb{E}[(Y_{\infty} - X) + (X - Z_{\infty})]^{2}

=E[(Y∞−X)2]+E[(X−Z∞)2]+2E[(Y∞−X)(X−Z∞)]= \mathbb{E}[(Y_{\infty} - X)^{2}] + \mathbb{E}[(X - Z_{\infty})^{2}] + 2\mathbb{E}[(Y_{\infty} - X)(X - Z_{\infty})]
=E[(X−E[X∣Y∞])2]+E[(X−E[X∣Z∞])2]+2E[Y∞X−Y∞Z∞−X2+XZ∞]= \mathbb{E}[(X - \mathbb{E}[X|Y_{\infty}])^{2}] + \mathbb{E}[(X - \mathbb{E}[X|Z_{\infty}])^{2}] + 2\mathbb{E}[Y_{\infty}X - Y_{\infty}Z_{\infty} - X^{2} + XZ_{\infty}]
=E[X2]−E[Y∞2]+E[X2]−E[Z∞2]+2E[Y∞X]−2E[Y∞Z∞]−2E[X2]+2E[XZ∞]= \mathbb{E}[X^{2}] - \mathbb{E}[Y_{\infty}^{2}] + \mathbb{E}[X^{2}] - \mathbb{E}[Z_{\infty}^{2}] + 2\mathbb{E}[Y_{\infty}X] - 2\mathbb{E}[Y_{\infty}Z_{\infty}] - 2\mathbb{E}[X^{2}] + 2\mathbb{E}[XZ_{\infty}]
=−E[Y∞2]−E[Z∞2]+2E[Y∞2]−2E[Y∞Z∞]+2E[Z∞2]= -\mathbb{E}[Y_{\infty}^{2}] - \mathbb{E}[Z_{\infty}^{2}] + 2\mathbb{E}[Y_{\infty}^{2}] - 2\mathbb{E}[Y_{\infty}Z_{\infty}] + 2\mathbb{E}[Z_{\infty}^{2}]
=E[Y∞2]+E[Z∞2]−2E[Y∞Z∞]= \mathbb{E}[Y_{\infty}^{2}] + \mathbb{E}[Z_{\infty}^{2}] - 2\mathbb{E}[Y_{\infty}Z_{\infty}]

Betrachte die Sigma-Algebra C=σ(A∪B)C = \sigma (A\cup B)

Sei W=E[X∣C]W = \mathbb{E}[X|C]

Betrachte die Grenz-Sigma-Algebra, die von allen Informationen erzeugt wird.

Sei F∞=σ(A,B,Y0,Z0,Y1,Z1,…)F_{\infty} = \sigma (A,B,Y_{0},Z_{0},Y_{1},Z_{1},\ldots)

Dann gilt Y∞⊆F∞Y_{\infty}\subseteq F_{\infty} und Z∞⊆F∞Z_{\infty}\subseteq F_{\infty}

Wir haben E[X∣Y∞]=Y∞\mathbb{E}[X|Y_{\infty}] = Y_{\infty} und E[X∣Z∞]=Z∞\mathbb{E}[X|Z_{\infty}] = Z_{\infty}

Betrachte E[Y∞∣Z∞]\mathbb{E}[Y_{\infty}|Z_{\infty}] und E[Z∞∣Y∞]\mathbb{E}[Z_{\infty}|Y_{\infty}]

Sei H=σ(A∪B)\mathcal{H} = \sigma (A\cup B)

Betrachte E[X∣H]\mathbb{E}[X|\mathcal{H}]

Betrachte die Folge der Paare (Yk,Zk)(Y_{k},Z_{k})

Wenn die Grenzwerte gleich sind, dann gilt für jede beschränkte messbare Funktion ff, dass E[f(Y∞)]=E[f(Z∞)]\mathbb{E}[f(Y_{\infty})] = \mathbb{E}[f(Z_{\infty})]

Betrachte die Sigma-Algebra D=σ(A∪B∪σ(Y0,Z0,…))D = \sigma (A\cup B\cup \sigma (Y_{0},Z_{0},\ldots))

Dann sind sowohl Y∞Y_{\infty} als auch Z∞Z_{\infty} messbar bezüglich DD

Betrachte E[(Yn−Zn)2]\mathbb{E}[(Y_{n} - Z_{n})^{2}]

Sei G=σ(A∪B)G = \sigma (A\cup B)

Betrachte W=E[X∣G]W = \mathbb{E}[X|G]

Dann gilt E[W∣A]=E[X∣A]\mathbb{E}[W|A] = \mathbb{E}[X|A] und E[W∣B]=E[X∣B]\mathbb{E}[W|B] = \mathbb{E}[X|B]. Betrachte die Grenz-Sigma-Algebra L=σ(A∪B∪σ(Y0,Z0,…))\mathcal{L} = \sigma (\mathcal{A} \cup \mathcal{B} \cup \sigma (Y_{0}, Z_{0}, \ldots)) .

Wir haben Y∞=E[X∣σ(A,Z0,Z1,…)]Y_{\infty} = \mathbb{E}[X|\sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots)] und Z∞=E[X∣σ(B,Y0,Y1,…)]Z_{\infty} = \mathbb{E}[X|\sigma (B, Y_{0}, Y_{1}, \ldots)] .

Sei M=σ(A,Z0,Z1,…)∨σ(B,Y0,Y1,…)\mathcal{M} = \sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots) \vee \sigma (B, Y_{0}, Y_{1}, \ldots) .

Betrachte E[X∣M]\mathbb{E}[X|\mathcal{M}] .

Betrachte die Zufallsvariable XX . Dann gilt Y∞=lim⁡nE[X∣Fn]Y_{\infty} = \lim_{n} \mathbb{E}[X|\mathcal{F}{n}] und Z∞=lim⁡nE[X∣Gn]Z{\infty} = \lim_{n} \mathbb{E}[X|\mathcal{G}_{n}] .

Sei H∞=σ(A∪B∪σ(Y0,Z0,…))\mathcal{H}{\infty} = \sigma (\mathcal{A} \cup \mathcal{B} \cup \sigma (Y{0}, Z_{0}, \ldots)) .

Betrachte E={ω:Y∞(ω)≠Z∞(ω)}E = \{\omega : Y_{\infty}(\omega) \neq Z_{\infty}(\omega)\} . Angenommen, P(E)>0P(E) > 0 .

Betrachte den bedingten Erwartungswert bezüglich der Vereinigung der Sigma-Algebren.

Sei C∞=σ(A,B,Y0,Z0,…)C_{\infty} = \sigma (\mathcal{A}, B, Y_{0}, Z_{0}, \ldots) .

Betrachte E[X∣C∞]\mathbb{E}[X|C_{\infty}] .

Dann gilt E[E[X∣C∞]∣A,Z0,…]=E[X∣A,Z0,…]=Yn+1\mathbb{E}[\mathbb{E}[X|C_{\infty}]|\mathcal{A}, Z_{0}, \ldots ] = \mathbb{E}[X|\mathcal{A}, Z_{0}, \ldots ] = Y_{n + 1} .

Und E[E[X∣C∞]∣B,Y0,…]=E[X∣B,Y0,…]=Zn+1\mathbb{E}[\mathbb{E}[X|C_{\infty}]|B, Y_{0}, \ldots ] = \mathbb{E}[X|B, Y_{0}, \ldots ] = Z_{n + 1} .

Also gilt Y∞=E[X∣σ(A,Z0,Z1,…)]Y_{\infty} = \mathbb{E}[X|\sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots)] und Z∞=E[X∣σ(B,Y0,Y1,…)]Z_{\infty} = \mathbb{E}[X|\sigma (B, Y_{0}, Y_{1}, \ldots)] .

Sei F∞=σ(A,Z0,Z1,…)\mathcal{F}{\infty} = \sigma (\mathcal{A}, Z{0}, Z_{1}, \ldots) und G∞=σ(B,Y0,Y1,…)G_{\infty} = \sigma (B, Y_{0}, Y_{1}, \ldots) .

Betrachte E[X∣F∞∨G∞]\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] .

Dann gilt E[E[X∣F∞∨G∞]∣F∞]=E[X∣F∞]=Y∞\mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|\mathcal{F}{\infty}] = \mathbb{E}[X|\mathcal{F}{\infty}] = Y_{\infty} .

Und \(\mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|G_{\infty}] = \mathbb{E}[X|G_{\infty}] = Z_{\infty}\) .

Dies bedeutet, dass \(Y_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]\) fast sicher gilt und \(Z_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]\) fast sicher gilt.

Daher gilt \(Y_{\infty} = Z_{\infty}\) fast sicher.

Lösung:

(a) Für die Folge \(Y_{k}\) sind die \(\sigma\)-Algebren \(\mathcal{F}{k} = \sigma (\mathcal{A}, Z{0}, \ldots , Z_{k - 1})\) mit wachsendem \(k\) aufsteigend. Da \(X\) integrierbar ist, konvergiert die Folge \(Y_{k} = \mathbb{E}[X|\mathcal{F}{k}]\) nach dem Martingalkonvergenzsatz für bedingte Erwartungen fast sicher und in \(L^{1}\) gegen \(Y{\infty} = \mathbb{E}[X|\sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots)]\) . Ebenso sind für die Folge \(Z_{k}\) die \(\sigma\)-Algebren \(G_{k} = \sigma (B, Y_{0}, \ldots , Y_{k - 1})\) aufsteigend. Da \(X\) integrierbar ist, konvergiert die Folge \(Z_{k} = \mathbb{E}[X|G_{k}]\) nach dem Martingalkonvergenzsatz fast sicher und in \(L^{1}\) gegen \(Z_{\infty} = \mathbb{E}[X|\sigma (B, Y_{0}, Y_{1}, \ldots)]\) .

(b) Seien \(\mathcal{F}{\infty} = \sigma (\mathcal{A}, Z{0}, Z_{1}, \ldots)\) und \(G_{\infty} = \sigma (B, Y_{0}, Y_{1}, \ldots)\) . Wir haben \(Y_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty}]\) und \(Z{\infty} = \mathbb{E}[X|G_{\infty}]\) . Betrachten Sie die \(\sigma\)-Algebra \(\mathcal{H} = \mathcal{F}{\infty} \vee G{\infty} = \sigma (\mathcal{A}, B, Y_{0}, Z_{0}, Y_{1}, Z_{1}, \ldots)\) . Betrachten Sie \(W = \mathbb{E}[X|\mathcal{H}]\) .

Wir haben \(\mathcal{F}{\infty} \subseteq \mathcal{H}\) , also \(\mathbb{E}[W|\mathcal{F}{\infty}] = \mathbb{E}[\mathbb{E}[X|\mathcal{H}]|\mathcal{F}{\infty}] = \mathbb{E}[X|\mathcal{F}{\infty}] = Y_{\infty}\) .

Da \(W\) \(\mathcal{H}\) -messbar ist, impliziert \(\mathbb{E}[W|\mathcal{F}{\infty}] = Y{\infty}\) , dass \(Y_{\infty}\) der bedingte Erwartungswert von \(W\) gegeben \(\mathcal{F}{\infty}\) ist. Da aber \(Y{\infty}\) bereits \(\mathcal{F}{\infty}\) -messbar ist, haben wir \(\mathbb{E}[W|\mathcal{F}{\infty}] = W\) , falls \(W\) \(\mathcal{F}_{\infty}\) -messbar ist, was nicht unbedingt zutrifft.

Wir wissen jedoch, dass \(\mathbb{E}[Y_{\infty}|\mathcal{F}{\infty}] = Y{\infty}\) und \(\mathbb{E}[Z_{\infty}|G_{\infty}] = Z_{\infty}\) .

Betrachten Sie \(\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]\) .

Dann gilt \(\mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|\mathcal{F}{\infty}] = \mathbb{E}[X|\mathcal{F}{\infty}] = Y_{\infty}\) .

Dies impliziert, dass \(\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|G_{\infty}] = \mathbb{E}[X|G_{\infty}] = Z_{\infty}\) .

Ebenso gilt \(\mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|G_{\infty}] = \mathbb{E}[X|G_{\infty}] = Z_{\infty}\) .

Dies impliziert, dass \(\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] = Z_{\infty}\) fast sicher gilt.

Daher gilt \(Y_{\infty} = Z_{\infty}\) fast sicher.

Endgültige Antwort: Die endgültige Antwort ist \(\left[Y_{\infty} = Z_{\infty}\right]\)

Tabelle 10. s1K-Beispiel, das aus s1-Teasern stammt. Der schwarze Text ist die Frage und der gelbe Text ist die Lösung. Ausschließlich auf Grundlage der Frage erzeugen wir mit Gemini den hellblauen Gedankengang und die blaue Antwort, die wir zum Training verwenden.

Alice und Bob haben jeweils eine Münze und werfen sie, bis sie Kopf erhalten. Wenn Bob seine Münze öfter geworfen hat als Alice, wie hoch ist die erwartete Anzahl der Würfe von Alice?

4/3

Das Problem fragt nach der erwarteten Anzahl der Male, die Alice ihre Münze geworfen hat, unter der Bedingung, dass Bob seine Münze öfter geworfen hat als Alice.

Sei \(X\) die Anzahl der Würfe, die Alice macht, bis sie Kopf erhält.

Sei \(Y\) die Anzahl der Würfe, die Bob macht, bis er Kopf erhält.

\(X\) und \(Y\) sind unabhängige Zufallsvariablen, die einer geometrischen Verteilung mit Parameter \(p = 0.5\) folgen (Wahrscheinlichkeit, Kopf zu erhalten).

Die Wahrscheinlichkeitsmassenfunktion einer geometrischen Verteilung ist \(P(K = k) = (1 - p)^{k - 1}p\) , für \(k = 1,2,\ldots\)

In diesem Fall ist \(p = 0.5\) , also \(P(K = k) = (0.5)^{k - 1}(0.5) = (0.5)^{k} = \frac{1}{2^{k}}\) .

Wir erhalten die Bedingung, dass Bob seine Münze öfter geworfen hat als Alice, was bedeutet, dass \(Y > X\) .

Wir möchten den Erwartungswert von \(X\) unter der Bedingung \(Y > X\) finden, d. h. \(E[X|Y > X]\) .

Die Formel für den bedingten Erwartungswert lautet E[X∣A]=∑xxP(X=x∣A)E[X|A] = \sum_{x}xP(X = x|A) .

Außerdem gilt P(X=x∣A)=P(X=x∩A)P(A)P(X = x|A) = \frac{P(X = x\cap A)}{P(A)} .

In unserem Fall ist AA das Ereignis Y>XY > X .

Wir müssen P(Y>X)P(Y > X) ermitteln.

P(Y>X)=∑x=1∞∑y=x+1∞P(X=x,Y=y)P(Y > X) = \sum_{x = 1}^{\infty}\sum_{y = x + 1}^{\infty}P(X = x,Y = y)

Da XX und YY unabhängig sind, gilt P(X=x,Y=y)=P(X=x)P(Y=y)=12x12y=12x+yP(X = x,Y = y) = P(X = x)P(Y = y) = \frac{1}{2^{x}}\frac{1}{2^{y}} = \frac{1}{2^{x + y}} .

P(Y>X)=∑x=1∞∑y=x+1∞12x+y=∑x=1∞12x∑y=x+1∞12yP(Y > X) = \sum_{x = 1}^{\infty}\sum_{y = x + 1}^{\infty}\frac{1}{2^{x + y}} = \sum_{x = 1}^{\infty}\frac{1}{2^{x}}\sum_{y = x + 1}^{\infty}\frac{1}{2^{y}}

Die innere Summe ist eine geometrische Reihe: ∑y=x+1∞(12)y=(12)x+1+(12)x+2+…\sum_{y = x + 1}^{\infty}\left(\frac{1}{2}\right)^{y} = \left(\frac{1}{2}\right)^{x + 1} + \left(\frac{1}{2}\right)^{x + 2} + \ldots

Dies ist eine geometrische Reihe mit erstem Glied a=(12)x+1a = \left(\frac{1}{2}\right)^{x + 1} und Quotient r=12r = \frac{1}{2}.

Die Summe ist a1−r=(12)x+111−12=(12)x+112=(12)x\frac{a}{1 - r} = \frac{\left(\frac{1}{2}\right)^{x + 1}}{\frac{1}{1 - \frac{1}{2}}} = \frac{\left(\frac{1}{2}\right)^{x + 1}}{\frac{1}{2}} = \left(\frac{1}{2}\right)^{x}.

Also ist P(Y>X)=∑x=1∞12x(12)x=∑x=1∞(14)xP(Y > X) = \sum_{x = 1}^{\infty}\frac{1}{2^{x}}\left(\frac{1}{2}\right)^{x} = \sum_{x = 1}^{\infty}\left(\frac{1}{4}\right)^{x}.

Dies ist eine weitere geometrische Reihe mit erstem Glied a=14a = \frac{1}{4} und Quotient r=14r = \frac{1}{4}.

Die Summe ist a1−r=1411−14=1414=13\frac{a}{1 - r} = \frac{\frac{1}{4}}{\frac{1}{1 - \frac{1}{4}}} = \frac{\frac{1}{4}}{\frac{1}{4}} = \frac{1}{3}.

Nun müssen wir P(X=x∩Y>X)=P(X=x,Y>x)P(X = x\cap Y > X) = P(X = x,Y > x) finden.

P(X=x,Y>x)=P(X=x)P(Y>x)P(X = x,Y > x) = P(X = x)P(Y > x), aufgrund der Unabhängigkeit.

P(Y>x)=∑x=1∞P(Y=y)=∑x=1∞12y=(12)x+1+(12)x+2+⋯=(12)xP(Y > x) = \sum_{x = 1}^{\infty}P(Y = y) = \sum_{x = 1}^{\infty}\frac{1}{2^{y}} = \left(\frac{1}{2}\right)^{x + 1} + \left(\frac{1}{2}\right)^{x + 2} + \dots = \left(\frac{1}{2}\right)^{x}.

Also ist P(X=x,Y>x)=12x×(12)x=(14)xP(X = x,Y > x) = \frac{1}{2^{x}}\times \left(\frac{1}{2}\right)^{x} = \left(\frac{1}{4}\right)^{x}.

Nun können wir P(X=x∣Y>X)=P(X=x∩Y>X)P(Y>X)=(14)x3=3(14)xP(X = x|Y > X) = \frac{P(X = x\cap Y > X)}{P(Y > X)} = \frac{\left(\frac{1}{4}\right)^{x}}{3} = 3\left(\frac{1}{4}\right)^{x} finden.

Schließlich können wir den bedingten Erwartungswert berechnen:

E[X∣Y>X]=∑x=1∞xP(X=x∣Y>X)=∑x=1∞x⋅3(14)x=3∑x=1∞x(14)x.E[X|Y > X] = \sum_{x = 1}^{\infty}xP(X = x|Y > X) = \sum_{x = 1}^{\infty}x\cdot 3\left(\frac{1}{4}\right)^{x} = 3\sum_{x = 1}^{\infty}x\left(\frac{1}{4}\right)^{x}.

Betrachten Sie die Reihe S=∑x=1∞xrxS = \sum_{x = 1}^{\infty}xr^{x}, wobei ∣r∣<1|r|< 1.

S=r+2r2+3r3+4r4+…S = r + 2r^{2} + 3r^{3} + 4r^{4} + \ldots
Sr=1+2r+3r2+4r3+…\frac{S}{r} = 1 + 2r + 3r^{2} + 4r^{3} + \ldots

Betrachten Sie die geometrische Reihe G=1+r+r2+r3+⋯=11−rG = 1 + r + r^{2} + r^{3} + \dots = \frac{1}{1 - r}.

Differenzieren nach rr:

dGdr=1+2r+3r2+4r3+⋯=ddr(11−r)=1(1−r)2.\frac{dG}{dr} = 1 + 2r + 3r^{2} + 4r^{3} + \dots = \frac{d}{dr}\left(\frac{1}{1 - r}\right) = \frac{1}{(1 - r)^{2}}.

Also ist Sr=1(1−r)2\frac{S}{r} = \frac{1}{(1 - r)^{2}}, was bedeutet S=r(1−r)2S = \frac{r}{(1 - r)^{2}}.

In unserem Fall ist r=14r = \frac{1}{4}.

∑X=1∞x(14)x=14(1−14)2=14(34)2=149=14×169=49.\sum_{X = 1}^{\infty}x(\frac{1}{4})^{x} = \frac{\frac{1}{4}}{(1 - \frac{1}{4})^{2}} = \frac{\frac{1}{4}}{(\frac{3}{4})^{2}} = \frac{\frac{1}{4}}{9} = \frac{1}{4}\times \frac{16}{9} = \frac{4}{9}.

Daher ist E[X∣Y>X]=3×49=129=43E[X|Y > X] = 3\times \frac{4}{9} = \frac{12}{9} = \frac{4}{3}

Alternativer Ansatz: Symmetrie.

Betrachten Sie die Ereignisse Y>XY > X, X>YX > Y und X=YX = Y.

P(Y>X)=P(X>Y)P(Y > X) = P(X > Y) aufgrund der Symmetrie.

P(X=Y)=∑k=1∞P(X=k,Y=k)=∑k=1∞P(X=k)P(Y=k)=∑k=1∞(12k)2=∑k=1∞(14)k=11−14=1413=13.P(X = Y) = \sum_{k = 1}^{\infty}P(X = k,Y = k) = \sum_{k = 1}^{\infty}P(X = k)P(Y = k) = \sum_{k = 1}^{\infty}(\frac{1}{2^{k}})^{2} = \sum_{k = 1}^{\infty}(\frac{1}{4})^{k} = \frac{1}{1 - \frac{1}{4}} = \frac{1}{4}\frac{1}{3} = \frac{1}{3}.

Wir haben P(Y>X)+P(X>Y)+P(X=Y)=1P(Y > X) + P(X > Y) + P(X = Y) = 1.

P(Y>X)+P(Y>X)+13=1.P(Y > X) + P(Y > X) + \frac{1}{3} = 1.
2P(Y>X)=1−13=23.2P(Y > X) = 1 - \frac{1}{3} = \frac{2}{3}.

P(Y>X)=13P(Y > X) = \frac{1}{3}. Dies bestätigt unsere vorherige Berechnung.

Sei E[X∣Y>X]=μE[X|Y > X] = \mu.

Wir suchen die erwartete Anzahl von Würfen, die Alice gemacht hat, gegeben dass Bob öfter geworfen hat.

Betrachten Sie den Fall, dass der erste Wurf für beide Zahl ist. Dann beginnt der Prozess von Neuem, und die Bedingung bleibt bestehen.

Sei A1A_{1} Alices erster Wurf, B1B_{1} Bobs erster Wurf.

P(A1=H)=1/2,P(A1=T)=1/2.P(A_{1} = H) = 1 / 2,P(A_{1} = T) = 1 / 2.
P(B1=H)=1/2,P(B1=T)=1/2.P(B_{1} = H) = 1 / 2,P(B_{1} = T) = 1 / 2.

Fall 1: A1=H,B1=H.X=1,Y=1A_{1} = H,B_{1} = H.X = 1,Y = 1 , also ist Y>XY > X falsch.

Fall 2: A1=H,B1=TA_{1} = H,B_{1} = T . Alice hört bei 1 auf, Bob macht weiter. Y>1Y > 1

Fall 3: A1=T,B1=HA_{1} = T,B_{1} = H . Bob hört bei 1 auf, Alice macht weiter.

Fall 4: A1=T,B1=TA_{1} = T,B_{1} = T . Beide machen weiter.

Betrachte die bedingten Wahrscheinlichkeiten gegeben Y>XY > X .

Sei E=E[X∣Y>X]E = E[X|Y > X] .

Wenn die ersten Würfe HH sind, ist die Bedingung Y>XY > X nicht erfüllt.

Wenn die ersten Würfe HT sind, ist Alices Anzahl an Würfen 1.

Wenn die ersten Würfe TH sind, ist Bobs Anzahl an Würfen 1, Alices ist mindestens 2, also Y<XY < X .

Wenn die ersten Würfe TT sind, beginnt das Problem von vorn, und die erwartete Anzahl zusätzlicher Würfe für Alice ist weiterhin EE .

Sei NAN_{A} die Anzahl der Würfe, die Alice macht, NBN_{B} die Anzahl der Würfe, die Bob macht.

Es ist NB>NAN_{B} > N_{A} gegeben.

Betrachte die ersten Würfe:

HH (Wahrscheinlichkeit 1/4): Bedingung nicht erfüllt.

HT (prob 1/4): Alice flips 1 time.

TH (prob 1/4): Bob flips 1 time, Alice >1>1 , so NA>NBN_{A} > N_{B} , condition not met.

TT (prob 1/4): Both continue.

Let EE be the expected number of Alice's flips given Bob flipped more.

If the first flips are HT, Alice flipped 1 time, and the condition is met.

If the first flips are TT, the situation is the same as the beginning, so the expected number of additional flips for Alice is EE .

Consider the event Y>XY > X .

Conditioning on the first flips:

E[X∣Y>X]=E[X∣Y>X,HH]P(HH∣Y>X)+E[X∣Y>X,HT]P(HT∣Y>X)+E[X∣Y>X,TH]P(TH∣Y>X)E[X|Y > X] = E[X|Y > X,H H]P(H H|Y > X) + E[X|Y > X,H T]P(H T|Y > X) + E[X|Y > X,T H]P(T H|Y > X)
X)+E[X∣Y>X,TT]P(TT∣Y>X)X) + E[X|Y > X,T T]P(T T|Y > X)
P(Y>X∣HH)=0.P(Y > X|H H) = 0.
P(Y>X∣HT)=1.P(Y > X|H T) = 1.
P(Y>X∣TH)=0.P(Y > X|T H) = 0.

P(Y>X∣TT)P(Y > X|T T) depends on the future flips.

Let's use the definition of conditional expectation directly.

E[X∣Y>X]=∑x=1∞xP(X=x∣Y>X)=∑x=1∞xP(X=x,Y>x)P(Y>X)E[X|Y > X] = \sum_{x = 1}^{\infty}x P(X = x|Y > X) = \sum_{x = 1}^{\infty}x\frac{P(X = x,Y > x)}{P(Y > X)}

(1>λ)

Consider the probabilities of the first flips given Y>XY > X .

P(HH∣Y>X)=P(Y>X∣HH)P(HH)P(Y>X)=0.1/41/3=0.P(H H|Y > X) = \frac{P(Y > X|H H)P(H H)}{P(Y > X)} = \frac{0.1 / 4}{1 / 3} = 0.
P(HT∣Y>X)=P(Y>X∣HT)P(HT)P(Y>X)=1.1/41/3=34.P(H T|Y > X) = \frac{P(Y > X|H T)P(H T)}{P(Y > X)} = \frac{1.1 / 4}{1 / 3} = \frac{3}{4}.
P(TH∣Y>X)=P(Y>X∣TH)P(TH)P(Y>X)=0.1/41/3=0.P(TT∣Y>X)=P(Y>X∣TT)P(TT)P(Y>X)\begin{array}{c} P(T H|Y > X) = \frac{P(Y > X|T H)P(T H)}{P(Y > X)} = \frac{0.1 / 4}{1 / 3} = 0. \\ P(T T|Y > X) = \frac{P(Y > X|T T)P(T T)}{P(Y > X)} \end{array}

If the first flips are TT, the future behavior is the same, and the condition Y>XY > X holds if Bob takes more flips than Alice in the subsequent trials.

P(Y>X∣TT)=P(BobP(Y > X|T T) = P(\mathrm{Bob} needs more flips than Alice starting from scratch) =P(Y>X)=1/3= P(Y > X) = 1 / 3

P(TT∣Y>X)=(1/3)⋅(1/4)1/3=14P(T T|Y > X) = \frac{(1 / 3)\cdot(1 / 4)}{1 / 3} = \frac{1}{4}

Sum of conditional probabilities: 0+3/4+0+1/4=10 + 3 / 4 + 0 + 1 / 4 = 1

Now consider the conditional expectations of XX

E[X∣Y>X,HH]E[X|Y > X, H H] : Not relevant since P(HH∣Y>X)=0P(H H|Y > X) = 0

E[X∣Y>X,HT]E[X|Y > X, H T] : Given HT and Y>XY > X , Alice flipped 1 time. E=1E = 1

E[X∣Y>X,TH]E[X|Y > X, T H] : Not relevant.

E[X∣Y>X,TT]E[X|Y > X, T T] : Given TT and Y>XY > X , Alice has already flipped once, and the expected number of additional flips is EE . So, the total number of flips is 1+E1 + E .

E=0⋅0+1⋅(3/4)+E = 0\cdot 0 + 1\cdot (3 / 4) + undefined ⋅0+(1+E)⋅(1/4)\cdot 0 + (1 + E)\cdot (1 / 4)

E=0+3/4+0+1/4+E/4E = 0 + 3 / 4 + 0 + 1 / 4 + E / 4

E=1+E/4E = 1 + E / 4

E−E/4=1E - E / 4 = 1

3E/4=13E / 4 = 1

E=4/3E = 4 / 3

This confirms the previous result.

Let's think about the intuition. If we have the condition Y>XY > X , it means Alice was "lucky" and got a head early, or Bob was "unlucky".

Consider the random variable Z=Y−XZ = Y - X . We are given Z>0Z > 0 .

We want E[X∣Z>0]E[X|Z > 0] .

Let p=P(head)=0.5p = P(\mathrm{head}) = 0.5 .

The number of tails before the first head follows a geometric distribution with parameter pp .

X−1∼Geom(p)X - 1\sim G e o m(p) , Y−1∼Geom(p)Y - 1\sim G e o m(p) .

P(X−1=k)=(1−p)kpP(X - 1 = k) = (1 - p)^{k}p .

P(X=x)=(1−p)x−1pP(X = x) = (1 - p)^{x - 1}p .

Consider the joint distribution of XX and YY .

P(X=x,Y=y)=p2(1−p)x−1(1−p)y−1P(X = x, Y = y) = p^{2}(1 - p)^{x - 1}(1 - p)^{y - 1}

Consider the event Y=X+kY = X + k , where k≥1k \geq 1 .

P(Y=X+k)=∑x=1∞P(X=x,Y=x+k)=∑x=1∞p2(1−p)x−1(1−p)x+k−1=p2(1−p)k−1∑x=1∞((1−p)2)x−1=p2(1−p)k−111−(1−p)2=p2(1−p)k−111−(1−2p+p2)=p2(1−p)k−112p−p2=p2(1−p)k−11p(2−p)=p(1−p)k−12−p.\begin{array}{c} P(Y = X + k) = \sum_{x = 1}^{\infty}P(X = x,Y = x + k) = \sum_{x = 1}^{\infty}p^{2}(1 - p)^{x - 1}(1 - p)^{x + k - 1} \\ = p^{2}(1 - p)^{k - 1}\sum_{x = 1}^{\infty}((1 - p)^{2})^{x - 1} = p^{2}(1 - p)^{k - 1}\frac{1}{1 - (1 - p)^{2}} \\ = p^{2}(1 - p)^{k - 1}\frac{1}{1 - (1 - 2p + p^{2})} = p^{2}(1 - p)^{k - 1}\frac{1}{2p - p^{2}} = p^{2}(1 - p)^{k - 1}\frac{1}{p(2 - p)} \\ = \frac{p(1 - p)^{k - 1}}{2 - p}. \end{array}

Wenn p=0.5p = 0.5, dann ist 1−p=0.51 - p = 0.5, 2−p=1.52 - p = 1.5.

P(Y=X+k)=0.5(0.5)k−11.5=(0.5)k1.5=(1/2)k3/2=12k⋅23=13.2k−1.P(Y = X + k) = \frac{0.5(0.5)^{k - 1}}{1.5} = \frac{(0.5)^{k}}{1.5} = \frac{(1 / 2)^{k}}{3 / 2} = \frac{1}{2^{k}}\cdot \frac{2}{3} = \frac{1}{3.2^{k - 1}}.

Prüfe, ob ∑k=1∞P(Y=X+k)=P(Y>X)=1/3\sum_{k = 1}^{\infty}P(Y = X + k) = P(Y > X) = 1 / 3.

∑k=1∞13.2k−1=13∑k=1∞(12)k−1=13(1+1/2+1/4+…)=1311−1/2=13⋅2=23.\sum_{k = 1}^{\infty}\frac{1}{3.2^{k - 1}} = \frac{1}{3}\sum_{k = 1}^{\infty}(\frac{1}{2})^{k - 1} = \frac{1}{3} (1 + 1 / 2 + 1 / 4 + \ldots) = \frac{1}{3}\frac{1}{1 - 1 / 2} = \frac{1}{3}\cdot 2 = \frac{2}{3}.

Hier stimmt etwas nicht.

Berechnen wir P(Y>X)P(Y > X) erneut.

P(Y>X)=∑x=1∞∑y=x+1∞(1−p)x−1p(1−p)y−1p=p2∑x=1∞(1−p)x−1∑y=x+1∞(1−p)y−1\begin{array}{c} P(Y > X) = \sum_{x = 1}^{\infty}\sum_{y = x + 1}^{\infty}(1 - p)^{x - 1}p^{(1 - p)^{y - 1}}p \\ = p^{2}\sum_{x = 1}^{\infty}(1 - p)^{x - 1}\sum_{y = x + 1}^{\infty}(1 - p)^{y - 1} \end{array}

Innere Summe: (1−p)x+(1−p)x+1+⋯=(1−p)x1−(1−p)=(1−p)xp(1 - p)^{x} + (1 - p)^{x + 1} + \dots = \frac{(1 - p)^{x}}{1 - (1 - p)} = \frac{(1 - p)^{x}}{p}.

P(Y>X)=p2∑x=1∞(1−p)x−1(1−p)xp=p(1−p)∑x=1∞(1−p)2(x−1)P(Y > X) = p^{2}\sum_{x = 1}^{\infty}(1 - p)^{x - 1}\frac{(1 - p)^{x}}{p} = p(1 - p)\sum_{x = 1}^{\infty}(1 - p)^{2(x - 1)}
=p(1−p)∑x=1∞((1−p)2)x−1=p(1−p)11−(1−p)2= p(1 - p)\sum_{x = 1}^{\infty}((1 - p)^{2})^{x - 1} = p(1 - p)\frac{1}{1 - (1 - p)^{2}}
=p(1−p)11−(1−2p+p2)=p(1−p)12p−p2=p(1−p)1p(2−p)=1−p2−p.= p(1 - p)\frac{1}{1 - (1 - 2p + p^{2})} = p(1 - p)\frac{1}{2p - p^{2}} = p(1 - p)\frac{1}{p(2 - p)} = \frac{1 - p}{2 - p}.

Wenn p=0.5p = 0.5, dann ist P(Y>X)=0.51.5=13P(Y > X) = \frac{0.5}{1.5} = \frac{1}{3}. Richtig.

Nun bestimmen wir E[X∣Y>X]E[X|Y > X].

E[X∣Y>X]=∑x=1∞xP(X=x∣Y>X)=∑x=1∞xP(X=x,Y>x)P(Y>X).E[X|Y > X] = \sum_{x = 1}^{\infty}xP(X = x|Y > X) = \sum_{x = 1}^{\infty}x\frac{P(X = x,Y > x)}{P(Y > X)}.

P(X=x,Y>x)=P(X=x)P(Y>x)P(X = x,Y > x) = P(X = x)P(Y > x) (Unabhängigkeit)

P(X=x)=(1−p)x−1p.P(X = x) = (1 - p)^{x - 1}p.
P(Y>x)=∑y=x+1∞(1−p)y−1p=p[(1−p)x+(1−p)x+1+…]=p(1−p)x1−(1−p)=(1−p)x.P(Y > x) = \sum_{y = x + 1}^{\infty}(1 - p)^{y - 1}p = p[(1 - p)^{x} + (1 - p)^{x + 1} + \ldots ] = p\frac{(1 - p)^{x}}{1 - (1 - p)} = (1 - p)^{x}.
P(X=x,Y>x)=(1−p)x−1p(1−p)x=p(1−p)2x−1.P(X = x,Y > x) = (1 - p)^{x - 1}p(1 - p)^{x} = p(1 - p)^{2x - 1}.
E[X∣Y>X]=1P(Y>X)∑x=1∞xp(1−p)2x−1E[X|Y > X] = \frac{1}{P(Y > X)}\sum_{x = 1}^{\infty}xp(1 - p)^{2x - 1}

=2−p1−pp(1−p)−1∑x=1∞x((1−p)2)x= \frac{2 - p}{1 - p} p(1 - p)^{- 1}\sum_{x = 1}^{\infty}x((1 - p)^{2})^{x} (Fehler im Exponenten)

P(Y>x)=(1−p)x1−(1−p)p=(1−p)x.P(Y > x) = \frac{(1 - p)^{x}}{1 - (1 - p)} p = (1 - p)^{x}.
E[X∣Y>X]=1P(Y>X)∑x=1∞xP(X=x)P(Y>x)E[X|Y > X] = \frac{1}{P(Y > X)}\sum_{x = 1}^{\infty}xP(X = x)P(Y > x)
=1P(Y>X)∑x=1∞x(1−p)x−1p(1−p)x= \frac{1}{P(Y > X)}\sum_{x = 1}^{\infty}x(1 - p)^{x - 1}p(1 - p)^{x}
=pP(Y>X)∑x=1∞x(1−p)2x−1= \frac{p}{P(Y > X)}\sum_{x = 1}^{\infty}x(1 - p)^{2x - 1}
=p(1−p)/(2−p)(1−p)−1∑x=1∞x((1−p)2)x= \frac{p}{(1 - p) / (2 - p)}(1 - p)^{-1}\sum_{x = 1}^{\infty}x((1 - p)^{2})^{x}
=p2−p(1−p)2∑x=1∞x((1−p)2)x.= p\frac{2 - p}{(1 - p)^{2}}\sum_{x = 1}^{\infty}x((1 - p)^{2})^{x}.

Sei r=(1−p)2r = (1 - p)^{2} . ∑x=1∞xrx=r(1−r)2\sum_{x = 1}^{\infty}xr^{x} = \frac{r}{(1 - r)^{2}} .

1−r=1−(1−p)2=1−(1−2p+p2)=2p−p2=p(2−p).1 - r = 1 - (1 - p)^{2} = 1 - (1 - 2p + p^{2}) = 2p - p^{2} = p(2 - p).
(1−r)2=p2(2−p)2.(1 - r)^{2} = p^{2}(2 - p)^{2}.
∑x=1∞x((1−p)2)x=(1−p)2p2(2−p)2.\sum_{x = 1}^{\infty}x((1 - p)^{2})^{x} = \frac{(1 - p)^{2}}{p^{2}(2 - p)^{2}}.
E[X∣Y>X]=p2−p(1−p)2(1−p)2p2(2−p)2=1p(2−p).E[X|Y > X] = p\frac{2 - p}{(1 - p)^{2}}\frac{(1 - p)^{2}}{p^{2}(2 - p)^{2}} = \frac{1}{p(2 - p)}.

Wenn p=0.5p = 0.5 , dann ist E[X∣Y>X]=10.5×1.5=10.75=13/4=4/3E[X|Y > X] = \frac{1}{0.5\times 1.5} = \frac{1}{0.75} = \frac{1}{3 / 4} = 4 / 3 .

Lösung:

Sei XX die Anzahl der Würfe, die Alice macht, bis sie Kopf erhält, und YY die Anzahl der Würfe, die Bob macht, bis er Kopf erhält. XX und YY sind unabhängige geometrische Zufallsvariablen mit Parameter p=0.5p = 0.5 . Die Wahrscheinlichkeitsmassefunktion ist P(K=k)=(1−p)k−1pP(K = k) = (1 - p)^{k - 1}p .

Wir sind an der erwarteten Anzahl der Male interessiert, die Alice ihre Münze geworfen hat, unter der Bedingung, dass Bob seine Münze öfter geworfen hat als Alice, d. h. E[X∣Y>X]E[X|Y > X] .

Mit der Definition der bedingten Erwartung gilt E[X∣Y>X]=∑x=1∞xP(X=x∣Y>X)E[X|Y > X] = \sum_{x = 1}^{\infty}xP(X = x|Y > X) .

P(X=x∣Y>X)=P(X=x,Y>x)P(Y>X).P(X = x|Y > X) = \frac{P(X = x,Y > x)}{P(Y > X)}.

Berechnen Sie zuerst P(Y>X)P(Y > X) .

P(Y>X)=∑x=1∞∑y=x+1∞P(X=x,Y=y)=∑x=1∞P(X=x)P(Y>x).P(Y > X) = \sum_{x = 1}^{\infty}\sum_{y = x + 1}^{\infty}P(X = x,Y = y) = \sum_{x = 1}^{\infty}P(X = x)P(Y > x).
P(X=x)=(0.5)x−1(0.5)=(0.5)x=12x.P(X = x) = (0.5)^{x - 1}(0.5) = (0.5)^{x} = \frac{1}{2^{x}}.
P(Y>x)=∑x=1∞x(0.5)x−1(0.5)=(0.5)x.P(Y > x) = \sum_{x = 1}^{\infty}x(0.5)^{x - 1}(0.5) = (0.5)^{x}.
P(Y>X)=∑x=1∞12x(12)x=∑x=1∞(14)x=1/41−1/4=1/43/4=13.P(Y > X) = \sum_{x = 1}^{\infty}\frac{1}{2^{x}} (\frac{1}{2})^{x} = \sum_{x = 1}^{\infty}(\frac{1}{4})^{x} = \frac{1 / 4}{1 - 1 / 4} = \frac{1 / 4}{3 / 4} = \frac{1}{3}.

Berechnen Sie als Nächstes P(X=x,Y>x)=P(X=x)P(Y>x)=12x(12)x=(14)xP(X = x,Y > x) = P(X = x)P(Y > x) = \frac{1}{2^{x}} (\frac{1}{2})^{x} = (\frac{1}{4})^{x} .

Finden Sie nun P(X=x∣Y>X)=P(X=x,Y>x)P(Y>X)=(1/4)x1/3=3(14)xP(X = x|Y > X) = \frac{P(X = x,Y > x)}{P(Y > X)} = \frac{(1 / 4)^{x}}{1 / 3} = 3(\frac{1}{4})^{x} .

Berechnen Sie schließlich die bedingte Erwartung:

E[X∣Y>X]=∑x=1∞xP(X=x∣Y>X)=∑x=1∞x⋅3(14)x=3∑x=1∞x(14)x.E[X|Y > X] = \sum_{x = 1}^{\infty}xP(X = x|Y > X) = \sum_{x = 1}^{\infty}x\cdot 3(\frac{1}{4})^{x} = 3\sum_{x = 1}^{\infty}x(\frac{1}{4})^{x}.

Mit der Formel ∑x=1∞xrx=r(1−r)2\sum_{x = 1}^{\infty}xr^{x} = \frac{r}{(1 - r)^{2}} mit r=1/4r = 1 / 4 :

∑x=1∞x(14)x=1/4(1−1/4)2=1/4(3/4)2=1/49/16=14×169=49.\sum_{x = 1}^{\infty}x(\frac{1}{4})^{x} = \frac{1 / 4}{(1 - 1 / 4)^{2}} = \frac{1 / 4}{(3 / 4)^{2}} = \frac{1 / 4}{9 / 16} = \frac{1}{4}\times \frac{16}{9} = \frac{4}{9}.
E[X∣Y>X]=3×49=129=43.E[X|Y > X] = 3\times \frac{4}{9} = \frac{12}{9} = \frac{4}{3}.

Endgültige Antwort: Die endgültige Antwort lautet 4/3\boxed{4 / 3}

Tabelle 11. s1K-Stichprobe aus dem Astronomie-Teilbereich von OlympicArena. Der schwarze Text ist die Frage und der blaue Text ist die Lösung. Ausschließlich auf Grundlage der Frage erzeugen wir mit Gemini den hellblauen Gedankengang und die blaue Antwort, die wir zum Training verwenden.

Eine oft wiederholte kuriose Tatsache ist, dass Menschen mehr Leistung pro Volumeneinheit erzeugen als Sterne. Wenn die Sonne dieselbe Größe hätte, aber dieselbe Leistung pro Volumeneinheit wie ein Mensch erzeugen würde, wie hoch wäre dann ihre Oberflächentemperatur? Nehmen Sie an, dass der „durchschnittliche Mensch“ 100 Watt Leistung erzeugt und ein Volumen von 66400 Kubikzentimetern hat.

A: 3500 K B: 10000 K C: 25000 K D: 40000 K E: 50000 K

Mit den Zahlen aus der Aufgabe erzeugt der durchschnittliche Mensch

u=10066400×10−6=1506W/m3u = \frac{100}{66400\times 10^{-6}} = 1506\mathrm{W / m^{3}}

Das Volumen der Sonne ist 43πR⊙3\frac{4}{3}\pi R_{\odot}^{3} , sodass ihre neue Leistungsabgabe P=43πR⊙3uP = \frac{4}{3}\pi R_{\odot}^{3}u wäre. Um die Gleichgewichtstemperatur zu finden, verwenden wir

P=σAT4=4πσR⊙2T4P = \sigma AT^{4} = 4\pi \sigma R_{\odot}^{2}T^{4}

Wenn wir nach TT auflösen, erhalten wir

T=R⊙u3σ4=(6.96×108)(1506)3(5.67×10−8)4=49823≈50000K.T = \sqrt[4]{\frac{R_{\odot}u}{3\sigma}} = \sqrt[4]{\frac{(6.96\times 10^{8})(1506)}{3(5.67\times 10^{-8})}} = 49823\approx 50000\mathrm{K}.

Die Aufgabe verlangt die Oberflächentemperatur der Sonne, wenn sie dieselbe Größe hätte, aber pro Volumeneinheit dieselbe Leistung erzeugte wie ein Mensch.

Zuerst wollen wir die Leistungsdichte eines Menschen ermitteln.

Vom Menschen erzeugte Leistung, Phuman=100WP_{human} = 100\mathrm{W}

Volumen eines Menschen, Vhuman=66400cm3V_{human} = 66400\mathrm{cm}^{3}

Rechne das Volumen in Kubikmeter um:

1m=100cm1\mathrm{m} = 100\mathrm{cm}

1m3=(100cm)3=106cm31\mathrm{m}^{3} = (100\mathrm{cm})^{3} = 10^{6}\mathrm{cm}^{3}

Vhuman=66400cm3=66400×10−6m3=0.0664m3V_{human} = 66400\mathrm{cm}^{3} = 66400\times 10^{- 6}\mathrm{m}^{3} = 0.0664\mathrm{m}^{3}

Leistungsdichte eines Menschen, ρpower,human=PhumanVhuman=100W0.0664m3\rho_{power,human} = \frac{P_{human}}{V_{human}} = \frac{100\mathrm{W}}{0.0664\mathrm{m}^{3}}

ρpower,human=1506.024W/m3\rho_{power,human} = 1506.024\mathrm{W / m^{3}}

Betrachte nun die Sonne mit derselben Größe wie derzeit, aber mit einer Leistungsdichte gleich der eines Menschen.

Wir benötigen den Radius der Sonne, um ihr Volumen zu berechnen. Der mittlere Radius der Sonne ist Rsun=6.95×108mR_{sun} = 6.95\times 10^{8}\mathrm{m}

Volumen der Sonne, Vsun=43πRsun3=43π(6.95×108m)3V_{sun} = \frac{4}{3}\pi R_{sun}^{3} = \frac{4}{3}\pi (6.95\times 10^{8}\mathrm{m})^{3}

Vsun=43π(337.159375×1024)m3V_{sun} = \frac{4}{3}\pi (337.159375\times 10^{24})\mathrm{m}^{3}

Vsun=1410.24×1024×πm3V_{sun} = 1410.24\times 10^{24}\times \pi \mathrm{m}^{3}

Vsun=4.4307×1027m3V_{sun} = 4.4307\times 10^{27}\mathrm{m}^{3}

Wenn die Sonne dieselbe Leistungsdichte hätte wie ein Mensch, wäre die von dieser modifizierten Sonne erzeugte Gesamtleistung:

Pmodifiedsun=ρpower,human×VsunP_{modified sun} = \rho_{power,human}\times V_{sun}

Pmodifiedsun=1506.024W/m3×4.4307×1027m3P_{modified sun} = 1506.024\mathrm{W / m^{3}}\times 4.4307\times 10^{27}\mathrm{m^{3}}

Pmodifiedsun=6.6726×1030WP_{modified sun} = 6.6726\times 10^{30}\mathrm{W}

Die Oberflächentemperatur eines Sterns steht über das Stefan-Boltzmann-Gesetz mit seiner Leuchtkraft (Gesamtleistungsabgabe) in Beziehung:

L=4πR2σT4L = 4\pi R^{2}\sigma T^{4}

wobei LL die Leuchtkraft (Gesamtleistungsabgabe), RR der Radius des Sterns, σ\sigma die Stefan-Boltzmann-Konstante und TT die Oberflächentemperatur ist.

In diesem Fall ist die Leuchtkraft der modifizierten Sonne Pmodified_sunP_{modified\_ sun} . Der Radius der modifizierten Sonne ist derselbe wie der der tatsächlichen Sonne, RsunR_{sun} .

Die Stefan-Boltzmann-Konstante, σ=5.67×10−8Wm−2K−4\sigma = 5.67\times 10^{- 8}\mathrm{Wm}^{- 2}\mathrm{K}^{- 4} .

Pmodified_sun=4πRsun2σT46.6726×1030W=4π(6.95×108m)2×5.67×10−8Wm−2K−4×T4\begin{array}{c} P_{modified\_ sun} = 4\pi R_{sun}^{2}\sigma T^{4} \\ 6.6726\times 10^{30}\mathrm{W} = 4\pi (6.95\times 10^{8}\mathrm{m})^{2}\times 5.67\times 10^{-8}\mathrm{Wm}^{-2}\mathrm{K}^{-4}\times T^{4} \end{array}

Berechne den Term 4πRsun2σ4\pi R_{sun}^{2}\sigma :

Rsun2=(6.95×108)2=48.3025×1016m2R_{sun}^{2} = (6.95\times 10^{8})^{2} = 48.3025\times 10^{16}\mathrm{m}^{2}
4πRsun2=4π×48.3025×1016=607.08×1016m24\pi R_{sun}^{2} = 4\pi \times 48.3025\times 10^{16} = 607.08\times 10^{16}\mathrm{m}^{2}
4πRsun2σ=607.08×1016m2×5.67×10−8Wm−2K−44\pi R_{sun}^{2}\sigma = 607.08\times 10^{16}\mathrm{m}^{2}\times 5.67\times 10^{-8}\mathrm{Wm}^{-2}\mathrm{K}^{-4}
4πRsun2σ=3441.93×108WK−4=3.44193×1011WK−44\pi R_{sun}^{2}\sigma = 3441.93\times 10^{8}\mathrm{WK}^{-4} = 3.44193\times 10^{11}\mathrm{WK}^{-4}

Setze dies nun wieder in die Gleichung ein:

6.6726×1030=3.44193×1011×T46.6726\times 10^{30} = 3.44193\times 10^{11}\times T^{4}

Löse nach T4T^{4} auf:

T4=6.6726×10303.44193×1011=1.9386×1019T^{4} = \frac{6.6726\times 10^{30}}{3.44193\times 10^{11}} = 1.9386\times 10^{19}

Löse nach TT auf:

T=(1.9386×1019)1/4=(193.86×1017)1/4T = (1.9386\times 10^{19})^{1 / 4} = (193.86\times 10^{17})^{1 / 4}
T=(1.9386)1/4×(1019)1/4=(1.9386)0.25×104.75T = (1.9386)^{1 / 4}\times (10^{19})^{1 / 4} = (1.9386)^{0.25}\times 10^{4.75}

Berechne (1.9386) 0.25^{0.25} : Sei y=1.93860.25y = 1.9386^{0.25} , dann ist ln⁡y=0.25ln⁡(1.9386)\ln y = 0.25\ln (1.9386)

ln⁡(1.9386)≈0.6619\ln (1.9386)\approx 0.6619

ln⁡y=0.25×0.6619=0.165475\ln y = 0.25\times 0.6619 = 0.165475

y=e0.165475≈1.1799y = e^{0.165475}\approx 1.1799

Also, T=1.1799×104.75=1.1799×104×100.75T = 1.1799\times 10^{4.75} = 1.1799\times 10^{4}\times 10^{0.75}

100.75=103/4=(103)1/4=(1000)1/410^{0.75} = 10^{3 / 4} = (10^{3})^{1 / 4} = (1000)^{1 / 4}

Wir wissen, dass 54=6255^{4} = 625 und 64=12966^{4} = 1296, also liegt (1000)1/4(1000)^{1 / 4} zwischen 5 und 6.

Alternativ gilt 100.75=100.5×100.25=10×100.25≈3.16×1.778=5.6210^{0.75} = 10^{0.5}\times 10^{0.25} = \sqrt{10}\times 10^{0.25}\approx 3.16\times 1.778 = 5.62

T=1.1799×104×5.62=6.63×104K=66300KT = 1.1799\times 10^{4}\times 5.62 = 6.63\times 10^{4}\mathrm{K} = 66300\mathrm{K}

Prüfen wir die Berechnungen noch einmal.

Leistungsdichte des Menschen: ρpower,human=1506.02W/m3\rho_{power,human} = 1506.02\mathrm{W / m}^{3}

Volumen der Sonne: Vsun=4.43×1027m3V_{sun} = 4.43\times 10^{27}\mathrm{m}^{3}

Leistung der modifizierten Sonne: Pmodified_sun=1506.02×4.43×1027=6671.67×1027=6.67×1030WP_{modified\_ sun} = 1506.02\times 4.43\times 10^{27} = 6671.67\times 10^{27} = 6.67\times 10^{30}\mathrm{W}

Stefan-Boltzmann-Gesetz: P=4πR2σT4P = 4\pi R^{2}\sigma T^{4}

T4=P4πR2σT^{4} = \frac{P}{4\pi R^{2}\sigma}
4πRsun2σ=3.44×10114\pi R_{sun}^{2}\sigma = 3.44\times 10^{11}
T4=6.67×10303.44×1011=1.939×1019T^{4} = \frac{6.67\times 10^{30}}{3.44\times 10^{11}} = 1.939\times 10^{19}
T=(1.939×1019)1/4=(193.9×1017)1/4T = (1.939\times 10^{19})^{1 / 4} = (193.9\times 10^{17})^{1 / 4}
T=(193.9)0.25×(1017)0.25=(193.9)0.25×104.25T = (193.9)^{0.25}\times (10^{17})^{0.25} = (193.9)^{0.25}\times 10^{4.25}

Berechne (193.9)0.25(193.9)^{0.25} : Sei y=193.90.25y = 193.9^{0.25} , dann ist ln⁡y=0.25ln⁡(193.9)\ln y = 0.25\ln (193.9)

ln⁡(193.9)≈5.267\ln (193.9)\approx 5.267

ln⁡y=0.25×5.267=1.31675\ln y = 0.25\times 5.267 = 1.31675

y=e1.31675≈3.73y = e^{1.31675}\approx 3.73

T=3,73×104,25=3,73×104×100,25=37300×1,778=66329KT = 3,73\times 10^{4,25} = 3,73\times 10^{4}\times 10^{0,25} = 37300\times 1,778 = 66329\mathrm{K}

Das Ergebnis liegt bei etwa 66000 K. Dies ist nicht unter den Optionen. Gehen wir die Annahmen und Berechnungen noch einmal durch.

Annahme: Die Sonne strahlt als schwarzer Körper, was für die Schätzung der Oberflächentemperatur vernünftig ist.

Betrachten wir mögliche Fehler in den Berechnungen.

Versuchen wir einen einfacheren Ansatz, indem wir Verhältnisse aufstellen.

Die Leistung pro Volumeneinheit der modifizierten Sonne ist gleich der eines Menschen.

Pmodified\sunVsun=PhumanVhuman\frac{P_{modified\sun}}{V{sun}} = \frac{P_{human}}{V_{human}}

Wir wissen außerdem Pmodified\sun=4πRsun2σTmodified_sun4P_{modified\sun} = 4\pi R{sun}^2 \sigma T_{modified\_sun}^4

4πRsun2σTmodified\sun43πRsun3=PhumanVhuman\frac{4\pi R_{sun}^2\sigma T_{modified\sun}^4}{3\pi R{sun}^3} = \frac{P_{human}}{V_{human}}
3σTmodified\sun4Rsun=ρpower,human\frac{3\sigma T_{modified\sun}^4}{R{sun}} = \rho_{power,human}
Tmodified\sun4=ρpower,humanRsun3σT_{modified\sun}^4 = \frac{\rho{power,human}R_{sun}}{3\sigma}

Setzen wir die Werte ein:

ρpower,human=1506,02W/m3\rho_{power,human} = 1506,02 \mathrm{W / m^3}
Rsun=6,95×108mR_{sun} = 6,95 \times 10^8 \mathrm{m}
σ=5,67×10−8Wm−2K−4\sigma = 5,67 \times 10^{-8} \mathrm{Wm}^{-2} \mathrm{K}^{-4}
Tmodified_sun4=1506,02×6,95×1083×5,67×10−8T_{modified\_sun}^4 = \frac{1506,02 \times 6,95 \times 10^8}{3 \times 5,67 \times 10^{-8}}
Tmodified_sun4=10466,839×10817,01×10−8=1,0466×10121,701×10−7=0,6153×1019=6,153×1018T_{modified\_sun}^4 = \frac{10466,839 \times 10^8}{17,01 \times 10^{-8}} = \frac{1,0466 \times 10^{12}}{1,701 \times 10^{-7}} = 0,6153 \times 10^{19} = 6,153 \times 10^{18}
Tmodified_sun=(6,153×1018)1/4=(6153×1015)1/4T_{modified\_sun} = (6,153 \times 10^{18})^{1 / 4} = (6153 \times 10^{15})^{1 / 4}
Tmodified_sun=(6153)0,25×(1015)0,25=(6153)0,25×103,75T_{modified\_sun} = (6153)^{0,25} \times (10^{15})^{0,25} = (6153)^{0,25} \times 10^{3,75}

Berechnen wir (6153)0,25(6153)^{0,25} :

Sei y=61530,25y = 6153^{0,25} , dann ist ln⁡y=0,25ln⁡(6153)\ln y = 0,25 \ln (6153)

ln⁡(6153)≈8,724\ln (6153) \approx 8,724

ln⁡y=0,25×8,724=2,181\ln y = 0,25 \times 8,724 = 2,181

y=e2,181≈8,85y = e^{2,181} \approx 8,85

Tmodified_sun=8,85×103,75=8,85×103×100,75=8850×5,62=49737KT_{modified\_sun} = 8,85 \times 10^{3,75} = 8,85 \times 10^{3} \times 10^{0,75} = 8850 \times 5,62 = 49737 \mathrm{K}

Dies kommt der Option E nahe: 50000 K.

Prüfen wir die Einheiten und Berechnungen sorgfältig nach.

Leistungsdichte eines Menschen: 100W0,0664m3=1506,02W/m3\frac{100 \mathrm{W}}{0,0664 \mathrm{m}^3} = 1506,02 \mathrm{W / m^3}

Die hergeleitete Formel war T4=ρpower,humanRsun3σT^4 = \frac{\rho_{power,human}R_{sun}}{3\sigma} .

Einheitenprüfung:

[ρpower,human]=W/m3[\rho_{power,human}] = \mathrm{W / m^3}

[Rsun]=m[R_{sun}] = \mathrm{m}

[σ]=Wm−2K−4[\sigma ] = \mathrm{Wm}^{-2}\mathrm{K}^{-4}
(W/m3)cmWm−2K−4=W/m2Wm−2K−4=Wm2×m2K4W=K4\frac{(\mathrm{W / m^3})_{\mathrm{cm}}}{\mathrm{Wm}^{-2}\mathrm{K}^{-4}} = \frac{\mathrm{W / m^2}}{\mathrm{Wm}^{-2}\mathrm{K}^{-4}} = \frac{\mathrm{W}}{\mathrm{m}^2} \times \frac{\mathrm{m}^2\mathrm{K}^4}{\mathrm{W}} = \mathrm{K}^4

Die Einheiten stimmen für T4T^4 .

Prüfung der numerischen Berechnung:

Zähler: 1506,02×6,95×108=10466,839×108=1,0466×10121506,02 \times 6,95 \times 10^8 = 10466,839 \times 10^8 = 1,0466 \times 10^{12}

Nenner: 3×5,67×10−8=17,01×10−83 \times 5,67 \times 10^{- 8} = 17,01 \times 10^{- 8}

Verhältnis: 1,0466×101217,01×10−8=0,061528×1020=6,1528×1018\frac{1,0466 \times 10^{12}}{17,01 \times 10^{- 8}} = 0,061528 \times 10^{20} = 6,1528 \times 10^{18}

T4=6,1528×1018T^4 = 6,1528 \times 10^{18}

T=(6,1528×1018)1/4=(6152,8×1015)1/4T = (6,1528 \times 10^{18})^{1 / 4} = (6152,8 \times 10^{15})^{1 / 4}

T=(6152,8)0,25×103,75T = (6152,8)^{0,25} \times 10^{3,75}

Verwenden wir für die Genauigkeit Logarithmen.

log⁡10(6152,8)≈3,789\log_{10}(6152,8) \approx 3,789

0,25×3,789=0,947250,25 \times 3,789 = 0,94725

100,94725≈8,85610^{0,94725} \approx 8,856
T=8,856×103,75=8,856×103×100,75=8856×5,623=49806KT = 8,856 \times 10^{3,75} = 8,856 \times 10^{3} \times 10^{0,75} = 8856 \times 5,623 = 49806 \mathrm{K}

Dies liegt sehr nahe bei 50000 K.

Mögliche Quellen geringfügiger Abweichungen: Rundungsfehler, Genauigkeit der Konstanten.

Überprüfen wir die Herleitung der Formel.

Leistung pro Volumeneinheit =GesamtleistungVolumen= \frac{\mathrm{Gesamtleistung}}{\mathrm{Volumen}} ρpower=LV\rho_{power} = \frac{L}{V} L=4πR2σT4L = 4\pi R^{2}\sigma T^{4} V=43πR3V = \frac{4}{3}\pi R^{3} ρpower=4πR2σT443πR3=3σT4R\rho_{power} = \frac{4\pi R^{2}\sigma T^{4}}{\frac{4}{3}\pi R^{3}} = \frac{3\sigma T^{4}}{R}

Wenn die modifizierte Sonne die Leistungsdichte eines Menschen hat:

ρpower,human=3σTmodified,sun4Rsun\rho_{power,human} = \frac{3\sigma T_{modified, sun}^{4}}{R_{sun}}

Tmodified,sun4=ρpower,humanRsun3σT_{modified, sun}^{4} = \frac{\rho_{power, human} R_{sun}}{3\sigma}

Die Formelherleitung scheint korrekt zu sein.

Verwenden wir Näherungswerte, um die Größenordnung zu überprüfen.

ρpower,human≈103W/m3\rho_{power,human}\approx 10^{3}\mathrm{W / m^{3}}

Rsun≈7×108mR_{sun}\approx 7\times 10^{8}\mathrm{m}

σ≈6×10−8Wm−2K−4\sigma \approx 6\times 10^{- 8}\mathrm{Wm}^{- 2}\mathrm{K}^{- 4}

T4≈103×7×1083×6×10−8=7×101118×10−8=0.38×1019=3.8×1018T^{4}\approx \frac{10^{3}\times 7\times 10^{8}}{3\times 6\times 10^{-8}} = \frac{7\times 10^{11}}{18\times 10^{-8}} = 0.38\times 10^{19} = 3.8\times 10^{18}

T≈(3.8×1018)1/4=(3800×1015)1/4T\approx (3.8\times 10^{18})^{1 / 4} = (3800\times 10^{15})^{1 / 4}

T≈(3800)0.25×103.75T\approx (3800)^{0.25}\times 10^{3.75}

(3800)0.25 ⁣:74=2401,84=4096.(3800)^{0.25}\colon 7^{4} = 2401,8^{4} = 4096. Also zwischen 7 und 8.

≈7.8\approx 7.8

T≈7.8×103.75=7800×5.6=43680KT\approx 7.8\times 10^{3.75} = 7800\times 5.6 = 43680\mathrm{K}

Die Größenordnung scheint mit der detaillierten Berechnung übereinzustimmen.

Die Problemstellung ist unkompliziert und scheint keine verborgenen Komplexitäten zu haben. Die getroffenen Annahmen sind für solche Probleme Standard.

Betrachten wir die Präzision der gegebenen Werte.

Leistung eines Menschen: 100W100\mathrm{W} (exakt)

Volumen eines Menschen: 66400cm366400\mathrm{cm}^{3} (exakt)

Das erhaltene Ergebnis liegt sehr nahe an Option E. Angesichts der Natur von Multiple-Choice-Fragen ist die nächstliegende Option wahrscheinlich die beabsichtigte Antwort.

Falls es irgendwelche Missinterpretationen der Frage gäbe, läge dies wahrscheinlich im Aufbau. Der Satz „Wenn die Sonne dieselbe Größe hätte, aber dieselbe Leistung pro Volumeneinheit wie ein Mensch produzierte“ scheint jedoch klar zu sein.

Die Oberflächentemperatur wird mit dem Stefan-Boltzmann-Gesetz berechnet, unter Annahme von Schwarzkörperstrahlung.

Überprüfen wir die angegebenen Optionen:

A: 3500 K

B: 10000 K

C: 25000 K

D: 40000 K

E: 50000 K

Unser berechneter Wert beträgt ungefähr 49800 K, was am nächsten an 50000 K liegt.

Wenn wir präzisere Werte für die Konstanten verwendeten, könnte das Ergebnis leicht abweichen, aber wahrscheinlich nicht genug, um zu einer anderen Option zu verschieben.

Die in der Frage erwähnte lustige Tatsache impliziert, dass die Leistungsdichte eines Menschen höher ist als die der Sonne. Verifizieren wir dies.

Leistungsabgabe der Sonne: 3.846×1026W3.846\times 10^{26}\mathrm{W}

Volumen der Sonne: 4.43×1027m34.43\times 10^{27}\mathrm{m}^{3}

Leistungsdichte der Sonne: 3.846×10264.43×1027=0.868W/m3\frac{3.846\times 10^{26}}{4.43\times 10^{27}} = 0.868\mathrm{W / m^{3}}

Leistungsdichte eines Menschen: 1506W/m31506\mathrm{W / m^{3}}

Tatsächlich ist die Leistungsdichte eines Menschen deutlich höher als die der Sonne.

Abschließende Überprüfung der Berechnungsschritte und der Logik. Der Ansatz, die Leistungsdichte der modifizierten Sonne mit der eines Menschen gleichzusetzen und dann das Stefan-Boltzmann-Gesetz zu verwenden, scheint korrekt zu sein.

Lösung:

Die von einem durchschnittlichen Menschen produzierte Leistung ist Phuman=100WP_{human} = 100 \mathrm{W} , und das Volumen eines durchschnittlichen Menschen ist Vhuman=66400cm3=0.0664m3V_{human} = 66400 \mathrm{cm}^3 = 0.0664 \mathrm{m}^3 .

Die Leistungsdichte eines Menschen ist ρpower,human=PhumanVhuman=100W0.0664m3≈1506.02W/m3\rho_{power,human} = \frac{P_{human}}{V_{human}} = \frac{100 \mathrm{W}}{0.0664 \mathrm{m}^3} \approx 1506.02 \mathrm{W / m}^3 .

Wenn die Sonne dieselbe Größe hätte, aber dieselbe Leistung pro Volumeneinheit wie ein Mensch produzierte, wäre ihre Leistungsdichte ρpower,modified\sun=ρpower,human\rho_{power,modified\sun} = \rho{power,human} .

Der Radius der Sonne ist Rsun=6.95×108mR_{sun} = 6.95 \times 10^8 \mathrm{m} .

Das Volumen der Sonne ist Vsun=43πRsun3V_{sun} = \frac{4}{3} \pi R_{sun}^3 .

Die Leistungsdichte der modifizierten Sonne ist gegeben durch ρpower,modified\sun=Pmodified\sunVsun\rho_{power,modified\sun} = \frac{P{modified\sun}}{V{sun}} .

Wir wissen außerdem, dass Pmodified\sun=4πRsun2σT4P_{modified\sun} = 4 \pi R{sun}^2 \sigma T^4 , wobei TT die Oberflächentemperatur der modifizierten Sonne ist.

Gleichsetzen der Leistungsdichte:

ρpower,human=4πRsun2σT443πRsun3=3σT4Rsun\rho_{power,human} = \frac{4 \pi R_{sun}^2 \sigma T^4}{\frac{4}{3} \pi R_{sun}^3} = \frac{3 \sigma T^4}{R_{sun}}

Auflösen nach T4T^4 :

T4=ρpower,humanRsun3σT^4 = \frac{\rho_{power,human} R_{sun}}{3 \sigma}

Einsetzen der Werte:

T4=1506.02W/m3×6.95×108m3×5.67×10−8Wm−2K−4T^4 = \frac{1506.02 \mathrm{W / m}^3 \times 6.95 \times 10^8 \mathrm{m}}{3 \times 5.67 \times 10^{-8} \mathrm{Wm}^{-2} \mathrm{K}^{-4}}
T4=1.0466×10121.701×10−7=6.1528×1018K4T^4 = \frac{1.0466 \times 10^{12}}{1.701 \times 10^{-7}} = 6.1528 \times 10^{18} \mathrm{K}^4

Auflösen nach TT :

T=(6.1528×1018)1/4=(6152.8)0.25×1018/4=(6152.8)0.25×104.5T = (6.1528 \times 10^{18})^{1 / 4} = (6152.8)^{0.25} \times 10^{18 / 4} = (6152.8)^{0.25} \times 10^{4.5}

Verwendung von Logarithmen:

log⁡10(6152.8)≈3.789\log_{10}(6152.8) \approx 3.789
0.25×3.789=0.947250.25 \times 3.789 = 0.94725
(6152.8)0.25=100.94725≈8.856(6152.8)^{0.25} = 10^{0.94725} \approx 8.856
T=8.856×104.5=8.856×104×100.5=88560×10≈88560×3.16=280000KT = 8.856 \times 10^{4.5} = 8.856 \times 10^4 \times 10^{0.5} = 88560 \times \sqrt{10} \approx 88560 \times 3.16 = 280000 \mathrm{K}

Berechnen wir den Exponenten neu: 18/4=4.518 / 4 = 4.5 .

T=8.856×104.5=8.856×104×100.5T = 8.856 \times 10^{4.5} = 8.856 \times 10^4 \times 10^{0.5} – Fehler im vorherigen Schritt.

T=(6.1528×1018)0.25=49806KT = (6.1528 \times 10^{18})^{0.25} = 49806 \mathrm{K}

Die Oberflächentemperatur wäre ungefähr 49806 K, was am nächsten an 50000 K liegt.

Endgültige Antwort: Die endgültige Antwort ist E\boxed{E}

E. Details zur Testzeit-Skalierung

E.1. Ablationen zur sequenziellen Skalierung
&lt;lim_start&gt;user&lt;lim_start&gt;user
What is the answer to Life, the Universe and Everything?What is the answer to Life, the Universe and Everything?
Think for up to 2048 tokens.Think for up to 64 steps.
&lt;lim_start&gt;assistant&lt;lim_start&gt;assistant
&lt;lim_start&gt;think&lt;lim_start&gt;64 steps left
Let me break down this question into the three parts it is asking for: 1) Life 2) Universe 3) EverythingLet me break down this question into the three parts it is asking for: 1) Life 2) Universe 3) Everything
Let me start with life...&lt;lim_start&gt;63 steps left
Let me start with life...
&lt;lim_start&gt;answer&lt;lim_start&gt;answer
The answer is...The answer is...



</lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start></lim_start

dann hat die Argumentationskette irgendwo zwischen 1024 und 2048 Tokens. In Tabelle 12 zeigen wir, dass das Modell nach dem Training die Token-Anweisung kaum befolgt. Es erzeugt zwar manchmal mehr Tokens, wenn ihm ein höheres Limit gegeben wird, überschreitet das Limit aber oft. Dies ist möglicherweise nicht einzigartig für unser Modell, da frühere Arbeiten darauf hindeuten, dass auch OpenAI o1-mini Token-Anweisungen nicht befolgen kann (Zhang & Chen, 2024). Um eine Überschreitung des Limits zu verhindern, testen wir Budget-Forcing, indem wir das Denken beenden, sobald das Limit erreicht ist. Dies führt zu perfekter Kontrolle (Tabelle 12 (unten)). Mit Budget-Forcing ist auch der Skalierungstrend klarer, da das Modell das Limit nicht mehr überschreiten kann, wenn ihm ein kleines Denkbudget gegeben wird. Dies führt zu besseren Test-Time-Scaling-Werten für Token Prompting + Budget-Forcing in Tabelle 3. Um die in Tabelle 3 berichtete Kontrolle für die token-konditionalen Kontrollvarianten zu berechnen, dividieren wir die Anzahl der Male, in denen die Denk-Tokens in Tabelle 12 unter dem oberen Limit liegen, durch die Gesamtzahl der Evaluierungen (2/5 ohne Intervention; 5/5 mit Intervention).

Schritt-konditionale Kontrolle: Token-Anweisungen scheitern, da aktuelle Modelle keine Tokens zählen können. Um diesem Mangel an Fähigkeit Rechnung zu tragen, experimentieren wir damit, das Zählen gröber zu machen. Wir unterteilen die Argumentationsketten in Schritte und bitten das Modell, für eine bestimmte Anzahl von Schritten statt Tokens zu denken. Wir teilen unsere Argumentationsketten an doppelten Zeilenumbrüchen in Schritte auf, die sich laut manueller Inspektion von Stichproben als intuitive Trennzeichen erweisen. Wir gruppieren unsere Trainingsbeispiele nach ihrer Anzahl von Schritten in Zweierpotenzen und fügen eine entsprechende Schritt-Anweisung gemäß dem Format in Abbildung 10 (rechts) hinzu. Dieses Format basiert auf frühen Experimenten, in denen wir feststellten, dass das Modell die Schrittbegrenzung eher einhält,

Schritte angewiesen (→)(\rightarrow)163264128256
Keine Intervention zur Testzeit
Verwendete Schritte123908082136
Token pro Schritt6070696656
Denk-Token72526277539655527551
Antwort-Token665653735777754
AIME2433,323,333,336,733,3
Erzwingen des Denkendes, wenn 0 Schritte erreicht sind
Verwendete Schritte16325978136
Token pro Schritt9694807056
Denk-Token15172963463654097551
Antwort-Token1111788799794754
AIME2423,323,333,336,733,3

Tabelle 13. Skalierung der Denkzeit über schritt-konditionale Kontrolle. Alle Metriken sind über die 30 Stichproben in AIME24 gemittelt. Token-Zählungen ignorieren die Denk- und Schritt-Trennzeichen.

Tabelle 14. Skalierung der Denkzeit über klassen-konditionale Kontrolle. Wir berichten „Genauigkeit / durchschnittliche Denk-Tokens pro Stichprobe“; je höher die Genauigkeit und je weniger Denk-Tokens (Inferenzkosten), desto besser.

An die Frage nach zwei Zeilenumbrüchen angehängter PromptAIME24MATH500GPQA
Antworte nach kurzer Überlegungszeit. Verbringe nicht übermäßig viel Zeit mit der doppelten Überprüfung deiner Arbeit.30,0 %
8033
90,4 %
2537
56,6 %
4177
Antworte nach langer Überlegungszeit. Wenn du das Gefühl hast, früh fertig zu sein, verbringe die zusätzliche Zeit damit, deine Arbeit noch einmal zu überprüfen, bis du absolut sicher bist, dass du die richtige Antwort hast.36,7 %
9651
91,4 %
3875
51,0 %
4827
Ohne Anhängen eines generischen Prompts50,0 %
6109
93,0 %
3298
57,6 %
3510

wenn heruntergezählt wird („3 steps left...2 steps left“) statt heraufgezählt („Step2...Step3...“). Dies liegt wahrscheinlich daran, dass beim Herunterzählen der letzte Schritt immer 1 ist, was für das Modell einen starken Prior darstellt, seine Generierung zu beenden. Beim Heraufzählen variiert der letzte Schritt vor der Antwort; wenn sich das Modell also nicht an die ursprüngliche Schritt-Anweisung erinnert, kann es möglicherweise nicht stoppen. Aus unseren Ergebnissen in Tabelle 13 schließen wir Folgendes: (1) Das Modell hat weiterhin Schwierigkeiten, die Schrittbegrenzung einzuhalten. Das Modell zählt manchmal einfach in negative Schritte weiter, z. B. „1 steps left“. Um dieses Problem zu lösen, stoppen wir den Denkprozess automatisch, sobald 0 Schritte erreicht sind, und zwingen das Modell dann, in den Antwortmodus überzugehen, indem wir das Antwort-Token-Trennzeichen anhängen (§3). Dies führt zu perfekter Schritt-Einhaltung (untere Hälfte von Tabelle 13), dennoch bleiben Probleme bestehen. (2) Das Modell kompensiert weniger Schritte dadurch, dass es jeden Schritt länger macht. Wenn es beispielsweise gezwungen wird, bis zu 16 Schritte statt 256 Schritte zu verwenden, erzeugt das Modell durchschnittlich 96 Tokens pro Schritt statt 56. Trotz dieses Problems korrelieren mehr Schritte in Tabelle 13 weiterhin deutlich mit mehr gesamten Denk-Tokens und besserer Leistung, was zu einer positiven Steigung führt. (3) Schritt-Anweisungen sind teurer als andere Methoden. Die Schritt-Trennzeichen benötigen jeweils etwa 6 Tokens, was sich z. B. bei 64 Schritten zu insgesamt etwa 380 Tokens summiert. Wenn man die Schritt-Trennzeichen bei den Token-Zählungen wie in Tabelle 13 ignoriert, benötigt das Modell dennoch durchschnittlich 7551 Denk-Tokens, um nur 33.3%33.3\% auf AIME24 zu erreichen. Um die in Tabelle 3 berichtete Kontrolle für die schritt-konditionalen Kontrollvarianten zu berechnen, entscheiden wir zunächst, dass 100 Tokens eine Obergrenze pro Schritt sind, und multiplizieren diese Zahl dann mit den angewiesenen Schritten, um eine Proxy-Gesamttokenbegrenzung zu erhalten, z. B. 1600 für 16 angewiesene Schritte. Wir prüfen dann, ob die Denk-Tokens in Tabelle 13 für jeden Evaluierungslauf in die jeweilige Begrenzung passen (3/5 ohne Intervention; 5/5 mit Intervention). Für das Modell in Abbildung 7 verwenden wir ein Modell mit schritt-konditionaler Kontrolle, das auf einer früheren Version unserer Daten trainiert wurde und eine frühere Version unserer Evaluierungscodebasis verwendet.

Klassen-konditionale Kontrolle: OpenAI stellt Nutzern die Test-Time-Compute-Kontrolle über einen API-Parameter „reasoning_effort“ mit drei möglichen Einstellungen zur Verfügung: low, medium und high. Die OpenAI-Dokumentation besagt außerdem: „Reducing reasoning effort can result in faster responses and fewer tokens used on reasoning in a response.“ Dies deutet darauf hin, dass sie das Test-Time-Compute nicht mit Garantien kontrollieren können. Vielleicht passt OpenAI also einfach den Prompt oder die Systemanweisung je nach gewünschtem Reasoning-Aufwand an. In Tabelle 14 zeigen wir, dass getrennte Prompts für kurzes und langes Denken es uns ermöglichen, die Denkzeit bis zu einem gewissen Grad zu kontrollieren: Wenn das Modell angewiesen wird, länger zu denken, führt dies zu längerem Denken. Es verbessert die Leistung jedoch nicht zuverlässig, und die Kontrolle ist nicht präzise. Die derzeitige Einhaltung der Kontrolle mag ausreichen, wenn wir nur drei Klassen haben, aber sie skaliert möglicherweise nicht auf feinere Klassen. Um die in Tabelle 3 berichtete Kontrolle für diese Methode zu berechnen, nehmen wir an, dass die Aufforderung an das Modell, in Tabelle 14 kurz zu denken, weniger Tokens erzeugen sollte als der Standard für AIME24, während der lange Prompt mehr erzeugen sollte. Da 8033>61098033 > 6109 und 9651>61099651 > 6109, folgt eine von zwei unserer erwarteten Kontrolle, daher ist die Kontrolle 50%50\% .

E.2. Beispiele für die Ablation des Rejection Sampling

3https://github.com/openai/openai-python/blob/44d6210f101abedeb2dd68507fcfcb329df70ea/src/openai/types/chat/completion_create_params.py#L172

Tabelle 15. Antworten, die von einer früheren Version von s1-32B beim Rejection Sampling auf AIME24 generiert wurden. Der schwarze Text ist die Frage und der gelbe Text ist die Lösung. Ausschließlich auf Grundlage der Frage generieren wir den hellblauen Gedankengang und die blaue Antwort mit s1-32B unter Verwendung einer Temperatur von 1. Wir generieren so lange, bis der Gedankengang für das erste Beispiel weniger als 4000 Tokens und für das zweite Beispiel weniger als 8000 Tokens umfasst. Es waren durchschnittlich 199 (1) Versuche pro Beispiel erforderlich, bis das Denken ≤4000\leq 4000 (≤8000\leq 8000 Tokens) betrug.

Seien O(0,0),A(12,0)O(0,0),A(\frac{1}{2},0) und B(0,32)B(0,\frac{\sqrt{3}}{2}) Punkte in der Koordinatenebene. Sei F\mathcal{F} die Familie der Strecken PQ‾\overline{P Q} der Einheitslänge, die im ersten Quadranten liegen, wobei PP auf der xx-Achse und QQ auf der yy-Achse liegt. Es gibt einen eindeutigen Punkt CC auf AB‾\overline{A B}, verschieden von AA und BB, der zu keiner Strecke aus F\mathcal{F} außer AB‾\overline{A B} gehört. Dann gilt OC2=pqO C^{2} = \frac{p}{q}, wobei pp und qq teilerfremde positive ganze Zahlen sind. Finde p+qp + q.

23

[Korrekte Generierung mit 3981 Denk-Tokens und 1055 Antwort-Tokens]

Das Problem verlangt einen Punkt CC auf der Strecke AB‾\overline{A B}, der in keiner anderen Strecke aus der Familie F\mathcal{F} enthalten ist, außer in AB‾\overline{A B} selbst.

Die Punkte O,A,BO,A,B bilden ein Dreieck im ersten Quadranten.

O=(0,0)O = (0,0)

A=(12,0)A = (\frac{1}{2},0)

B=(0,32)B = (0,\frac{\sqrt{3}}{2})

Die Strecke AB‾\overline{A B} verbindet A(12,0)A(\frac{1}{2},0) und B(0,32)B(0,\frac{\sqrt{3}}{2})

Die Gleichung der Geraden, die AB‾\overline{A B} enthält, kann mithilfe der beiden Punkte gefunden werden:

Steigung m=32−00−12=−3m = \frac{\frac{\sqrt{3}}{2} - 0}{0 - \frac{1}{2}} = - \sqrt{3}

Unter Verwendung der Punkt-Steigungs-Form y−y1=m(x−x1)y - y_{1} = m(x - x_{1}) mit Punkt A(12,0)A(\frac{1}{2},0)

y−0=−3(x−12)y - 0 = -\sqrt{3} (x - \frac{1}{2})
y=−3x+32y = -\sqrt{3} x + \frac{\sqrt{3}}{2}

Die Strecke AB‾\overline{A B} liegt im ersten Quadranten und verbindet (12,0)(\frac{1}{2},0) mit (0,32)(0,\frac{\sqrt{3}}{2})

Die Familie F\mathcal{F} besteht aus Strecken PQ‾\overline{P Q} der Einheitslänge, wobei PP auf der xx-Achse und QQ auf der yy-Achse liegt. Sei P=(a,0)P = (a,0) und Q=(0,b)Q = (0,b).

Die Länge von PQ‾\overline{P Q} ist (a−0)2+(0−b)2=a2+b2=1\sqrt{(a - 0)^{2} + (0 - b)^{2}} = \sqrt{a^{2} + b^{2}} = 1.

Also a2+b2=1a^{2} + b^{2} = 1.

Da PP auf der positiven xx-Achse und QQ auf der positiven yy-Achse liegt, haben wir a>0a > 0 und b>0b > 0.

Die Strecke PQ‾\overline{P Q} verbindet (a,0)(a,0) und (0,b)(0,b). Die Gleichung der Geraden, die PQ‾\overline{P Q} enthält, ist xa+yb=1\frac{x}{a} +\frac{y}{b} = 1.

Der von der Familie F\mathcal{F} überdeckte Bereich ist die Fläche, die von den Geraden begrenzt wird, die diese Strecken enthalten. Die Endpunkte (a,0)(a,0) und (0,b)(0,b) variieren so, dass a2+b2=1a^{2} + b^{2} = 1.

Betrachte die Parametrisierung a=cos⁡θa = \cos \theta, b=sin⁡θb = \sin \theta, wobei 0<θ<π20< \theta < \frac{\pi}{2}.

Die Strecke PQ‾\overline{P Q} verbindet (cos⁡θ,0)(\cos \theta ,0) und (0,sin⁡θ)(0,\sin \theta). Die Gleichung der Geraden ist xcos⁡θ+ysin⁡θ=1\frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1.

Wir suchen einen eindeutigen Punkt CC auf AB‾\overline{A B}, verschieden von AA und BB, der zu keiner Strecke aus F\mathcal{F} außer AB‾\overline{A B} gehört.

Sei CC ein Punkt auf AB‾\overline{A B}. Wir können die Punkte auf AB‾\overline{A B} als (1−t)A+tB(1 - t)A + tB für 0≤t≤10 \leq t \leq 1 parametrisieren.

C=(1−t)(12,0)+t(0,32)=(12−12t,32t)C = (1 - t)(\frac{1}{2},0) + t(0,\frac{\sqrt{3}}{2}) = (\frac{1}{2} - \frac{1}{2} t,\frac{\sqrt{3}}{2} t).

Da \(C\) von \(\overline{A}\) und \(\overline{B}\) verschieden ist, gilt \(0< t< 1\).

Angenommen, der Punkt \(C\) liegt auf einer Strecke \(\overline{P Q} \in \mathcal{F}\), wobei \(P = (\cos \theta ,0)\) und \(Q = (0,\sin \theta)\).

Der Punkt \(C\) erfüllt die Gleichung \(\frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1\).

Einsetzen der Koordinaten von \(C\):

12−13tcos⁡θ+32tsin⁡θ=11−t2cos⁡θ+3t2sin⁡θ=1\begin{array}{c} \frac{\frac{1}{2} - \frac{1}{3}t}{\cos \theta} +\frac{\frac{\sqrt{3}}{2}t}{\sin \theta} = 1 \\ \frac{1 - t}{2\cos \theta} +\frac{\sqrt{3}t}{2\sin \theta} = 1 \end{array}

Multiplikation mit 2:

1−tcos⁡θ+3tsin⁡θ=2(1−t)sin⁡θ+3tcos⁡θ=2sin⁡θcos⁡θ\begin{array}{c} \frac{1 - t}{\cos \theta} +\frac{\sqrt{3}t}{\sin \theta} = 2 \\ (1 - t)\sin \theta +\sqrt{3} t\cos \theta = 2\sin \theta \cos \theta \end{array}

Wir suchen einen Punkt \(C\) auf \(\overline{AB}\), sodass die einzige Strecke aus \(\mathcal{F}\), die \(C\) enthält, \(\overline{AB}\) selbst ist. Die Strecke \(\overline{AB}\) ist Teil der Familie \(\mathcal{F}\).

Für \(\overline{AB}\) gilt \(P = A = (\frac{1}{2},0)\) und \(Q = B = (0,\frac{\sqrt{3}}{2})\).

Hier ist \(a = \frac{1}{2}\), \(b = \frac{\sqrt{3}}{2}\).

a2+b2=(12)2+(32)2=14+34=1.a^{2} + b^{2} = (\frac{1}{2})^{2} + (\frac{\sqrt{3}}{2})^{2} = \frac{1}{4} +\frac{3}{4} = 1.

Die Strecke \(\overline{AB}\) verbindet \((\frac{1}{2},0)\) und \((0,\frac{\sqrt{3}}{2})\).

Die Gleichung der Geraden ist \(\frac{x}{1 / 2} +\frac{y}{\sqrt{3 / 2}} = 1\), was sich zu \(2x + \frac{2}{\sqrt{3}} y = 1\) oder \(\sqrt{3} x + y = \frac{\sqrt{3}}{2}\) vereinfacht.

Dies stimmt mit der Gleichung \(y = -\sqrt{3} x + \frac{\sqrt{3}}{2}\) überein.

Betrachte die Einhüllende der Geradenschar \(\frac{x}{\cos \theta} +\frac{y}{\sin \theta} = 1\).

Differenzieren nach \(\theta\):

xsin⁡θcos⁡2θ+ycos⁡θsin⁡2θ=0\frac{x\sin\theta}{\cos^{2}\theta} +\frac{y\cos\theta}{\sin^{2}\theta} = 0
ycos⁡θsin⁡2θ=xsin⁡θcos⁡2θ\frac{y\cos\theta}{\sin^{2}\theta} = \frac{x\sin\theta}{\cos^{2}\theta}
ycos⁡3θ=xsin⁡3θy\cos^{3}\theta = x\sin^{3}\theta
yx=tan⁡3θ\frac{y}{x} = \tan^{3}\theta
tan⁡θ=(yx)1/3\tan \theta = (\frac{y}{x})^{1 / 3}

Aus der Geradengleichung: \(y\sin \theta = \sin \theta \cos \theta - x\sin \theta\)

\(y = \cos \theta - x\)

Einsetzen von \(\cos \theta = \frac{1}{\sqrt{1 + \tan^{2}\theta}} = \frac{1}{\sqrt{1 + (y / x)^{2 / 3}}}\)

cos⁡θ=x1/3(x2/3+y2/3)1/2\cos \theta = \frac{x^{1 / 3}}{(x^{2 / 3} + y^{2 / 3})^{1 / 2}}
sin⁡θ=tan⁡θcos⁡θ=(yx)1/3x1/3(x2/3+y2/3)1/2=y1/3(x2/3+y2/3)1/2\sin \theta = \tan \theta \cos \theta = (\frac{y}{x})^{1 / 3}\frac{x^{1 / 3}}{(x^{2 / 3} + y^{2 / 3})^{1 / 2}} = \frac{y^{1 / 3}}{(x^{2 / 3} + y^{2 / 3})^{1 / 2}}

Rückeinsetzen in die Geradengleichung:

xcos⁡θ+ysin⁡θ=1x(x2/3+y2/3)1/2/x1/3+y(x2/3+y2/3)1/2/y1/3=1x2/3(x2/3+y2/3)1/2+y2/3(x2/3+y2/3)1/2=1(x2/3+y2/3)3/2=1x2/3+y2/3=1\begin{array}{c} \frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1 \\ x(x^{2 / 3} + y^{2 / 3})^{1 / 2} / x^{1 / 3} + y(x^{2 / 3} + y^{2 / 3})^{1 / 2} / y^{1 / 3} = 1 \\ x^{2 / 3}(x^{2 / 3} + y^{2 / 3})^{1 / 2} + y^{2 / 3}(x^{2 / 3} + y^{2 / 3})^{1 / 2} = 1 \\ (x^{2 / 3} + y^{2 / 3})^{3 / 2} = 1 \\ x^{2 / 3} + y^{2 / 3} = 1 \end{array}

Die Einhüllende der Familie F\mathcal{F} ist die Astroide x2/3+y2/3=1x^{2 / 3} + y^{2 / 3} = 1.

Die Strecken aus F\mathcal{F} sind Tangenten an diese Astroide.

Der Punkt CC auf AB‾\overline{AB}, den wir suchen, ist der Punkt, an dem AB‾\overline{AB} die Astroide berührt.

Die Gleichung von AB‾\overline{AB} ist y=−3x+32y = -\sqrt{3} x + \frac{\sqrt{3}}{2}.

Einsetzen in die Gleichung der Astroide:

x2/3+(−3x+32)2/3=1x^{2 / 3} + (-\sqrt{3} x + \frac{\sqrt{3}}{2})^{2 / 3} = 1

Sei u=x1/3u = x^{1 / 3} und v=y1/3v = y^{1 / 3}. Die Astroide ist u2+v2=1u^{2} + v^{2} = 1.

Der Punkt CC liegt sowohl auf der Geraden AB‾\overline{AB} als auch auf der Astroide.

Implizites Differenzieren der Gleichung der Astroide:

23x−1/3+23y−1/3y′=0\frac{2}{3} x^{-1 / 3} + \frac{2}{3} y^{-1 / 3}y' = 0
y′=−y1/3x1/3=−(yx)1/3y' = -\frac{y^{1 / 3}}{x^{1 / 3}} = -(\frac{y}{x})^{1 / 3}

.

Die Steigung der Tangente an die Astroide in einem Punkt (x,y)(x,y) ist −yx3- \sqrt[3]{\frac{y}{x}}.

Die Steigung der Geraden AB‾\overline{{A B}} ist −3- \sqrt{3}.

Also gilt im Berührungspunkt −yx3=−3- \sqrt[3]{\frac{y}{x}} = - \sqrt{3}.

x3x=3\frac{\sqrt[3]{x}}{x} = \sqrt{3}

Der Punkt CC liegt auf der Geraden y=−3x+32y = - \sqrt{3} x + \frac{\sqrt{3}}{2} und erfüllt yx=33\frac{y}{x} = 3\sqrt{3}.

Also ist y=33xy = 3\sqrt{3} x.

Einsetzen in die Geradengleichung:

33x=−3x+323\sqrt{3} x = - \sqrt{3} x + \frac{\sqrt{3}}{2}
3x=−x+123x = -x + \frac{1}{2}
4x=124x = \frac{1}{2}

Dann ist y=33(18)=338y = 3\sqrt{3} (\frac{1}{8}) = \frac{3\sqrt{3}}{8}.

Der Punkt CC ist (18,338)(\frac{1}{8}, \frac{3\sqrt{3}}{8}).

Wir müssen prüfen, ob dieser Punkt auf der Strecke AB‾\overline{{A B}} liegt.

Der Punkt CC hat die Form (12−12t,32t)(\frac{1}{2} - \frac{1}{2} t, \frac{\sqrt{3}}{2} t).

12−12t=18⇒4−4t=1⇒3=4t⇒t=34.32t=32⋅34=338.\begin{array}{c} \frac{1}{2} - \frac{1}{2} t = \frac{1}{8} \Rightarrow 4 - 4t = 1 \Rightarrow 3 = 4t \Rightarrow t = \frac{3}{4}. \\ \frac{\sqrt{3}}{2} t = \frac{\sqrt{3}}{2} \cdot \frac{3}{4} = \frac{3\sqrt{3}}{8}. \end{array}

Also liegt CC auf AB‾\overline{{A B}}.

Wir müssen sicherstellen, dass 0<t<10 < t < 1 gilt, was für t=34t = \frac{3}{4} zutrifft.

Nun müssen wir prüfen, ob dieser Punkt CC zu keiner anderen Strecke aus F\mathcal{F} gehört.

Der Punkt CC liegt auf der Astroide. Die Strecke AB‾\overline{{A B}} ist im Punkt CC Tangente an die Astroide.

Jede andere Strecke aus F\mathcal{F}, die CC enthält, hätte CC als inneren Punkt, nicht als Berührungspunkt.

Betrachte die Parametrisierung der Familie F\mathcal{F}.

Ein Punkt (x,y)(x, y) gehört genau dann zu einer Strecke in F\mathcal{F}, wenn es ein θ\theta gibt, sodass xcos⁡θ+ysin⁡θ=1\frac{x}{\cos \theta} + \frac{y}{\sin \theta} = 1.

Für den Punkt C=(18,338)C = (\frac{1}{8}, \frac{3\sqrt{3}}{8}) gilt:

1/8cos⁡θ+33/8sin⁡θ=1\frac{1 / 8}{\cos \theta} + \frac{3\sqrt{3} / 8}{\sin \theta} = 1
1cos⁡θ+33sin⁡θ=8\frac{1}{\cos \theta} + \frac{3\sqrt{3}}{\sin \theta} = 8

sin⁡θ+33cos⁡θ=8sin⁡θcos⁡θ\sin \theta + 3\sqrt{3} \cos \theta = 8 \sin \theta \cos \theta

sin⁡θ+33cos⁡θ=4sin⁡(2θ)\sin \theta + 3\sqrt{3} \cos \theta = 4 \sin (2\theta)

Wir wissen, dass CC auf AB‾\overline{{A B}} liegt, was einer bestimmten Strecke in F\mathcal{F} entspricht.

Die Aufgabenstellung setzt die Existenz und Eindeutigkeit eines solchen Punktes CC voraus.

Der eindeutige Punkt CC auf AB‾\overline{{A B}}, verschieden von AA und BB, der zu keiner anderen Strecke aus F\mathcal{F} als AB‾\overline{{A B}} gehört.

Das bedeutet, dass, wenn CC auf einem anderen Segment P′Q′‾∈F\overline{{P^{\prime}Q^{\prime}}} \in \mathcal{F} liegt, dann P′Q′‾=AB‾\overline{{P^{\prime}Q^{\prime}}} = \overline{{A B}} gilt.

Der Punkt CC ist der Berührungspunkt von AB‾\overline{{A B}} mit der Astroide.

Nun müssen wir OC2O C^{2} finden.

OC2=(18)2+(338)2=164+2764=2864=716.O C^{2} = (\frac{1}{8})^{2} + (\frac{3\sqrt{3}}{8})^{2} = \frac{1}{64} + \frac{27}{64} = \frac{28}{64} = \frac{7}{16}.

Hier sind p=7p = 7 und q=16q = 16.

pp und qq sind teilerfremd.

p+q=7+16=23p + q = 7 + 16 = 23 .

Abschließende Prüfung der Argumentation:

Die Familie F\mathcal{F} besteht aus Segmenten der Länge eins mit Endpunkten auf den Achsen.

Die Einhüllende dieser Familie ist die Astroide x2/3+y2/3=1x^{2 / 3} + y^{2 / 3} = 1 .

Die Segmente aus F\mathcal{F} sind Tangenten an die Astroide.

Das Segment AB‾\overline{{A B}} ist ebenfalls ein Mitglied der Familie F\mathcal{F} .

Wir suchen einen Punkt CC auf AB‾\overline{{A B}}, der auf der Astroide liegt.

Dieser Punkt CC ist der Berührungspunkt von AB‾\overline{{A B}} mit der Astroide.

Wenn ein Punkt auf AB‾\overline{{A B}} auf der Astroide liegt, gehört er zu dem Tangentensegment an diesem Punkt. Da AB‾\overline{{A B}} das Tangentensegment ist, gehört dieser Punkt zu keinem anderen Segment aus F\mathcal{F} .

Betrachten wir den Fall, dass das Segment AB‾\overline{{A B}} die Astroide in zwei Punkten schneidet.

Wenn das Segment AB‾\overline{{A B}} nicht tangential an die Astroide ist, dann gibt es zwei Schnittpunkte.

Die Schnittpunkte seien C1C_{1} und C2C_{2}

Wenn C1C_{1} auf AB‾\overline{{A B}} liegt, dann ist die Tangente an die Astroide in C1C_{1} das Segment AB‾\overline{{A B}}

Wenn C2C_{2} auf AB‾\overline{{A B}} liegt, dann ist die Tangente an die Astroide in C2C_{2} das Segment AB‾\overline{{A B}}

Die Steigung von AB‾\overline{{A B}} ist −3- \sqrt{3}

Wir haben den Punkt auf der Astroide mit der Tangentensteigung −3- \sqrt{3} gefunden

Die Aufgabenstellung garantiert die Eindeutigkeit eines solchen Punktes CC

Der Punkt CC muss im Inneren von AB‾\overline{{A B}} liegen, also 0<t<10< t< 1

Der Parameter t=34t = \frac{3}{4} liegt in diesem Bereich.

Der Punkt CC ist von AA und BB verschieden

Wenn C=AC = A , dann t=0t = 0 , C=(12,0)C = (\frac{1}{2},0)

Wenn C=BC = B , dann t=1t = 1 , C=(0,32)C = (0,\frac{\sqrt{3}}{2})

Der Berührungspunkt CC ist der eindeutige Punkt auf AB‾\overline{{A B}} (ohne Endpunkte), der auf der Astroide liegt.

Lösung:

Die Familie der Segmente F\mathcal{F} sei definiert durch Segmente PQ‾\overline{{P Q}} der Länge eins mit PP auf der positiven xx - Achse und QQ auf der positiven yy - Achse. Sei P=(a,0)P = (a,0) und Q=(0,b)Q = (0,b) . Die Längenbedingung ergibt a2+b2=1a^{2} + b^{2} = 1 . Das Segment PQ‾\overline{{P Q}} liegt auf der Geraden xa+yb=1\frac{x}{a} +\frac{y}{b} = 1 . Mit der Parametrisierung a=cos⁡θa = \cos \theta , b=sin⁡θb = \sin \theta mit 0<θ<π20< \theta < \frac{\pi}{2} lautet die Gleichung der Geraden xcos⁡θ+ysin⁡θ=1\frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1 .

Die Einhüllende dieser Geradenschar ist die Astroide x2/3+y2/3=1x^{2 / 3} + y^{2 / 3} = 1

Die Segmente aus F\mathcal{F} sind Tangenten an diese Astroide.

Das Segment AB‾\overline{{A B}} verbindet A(12,0)A(\frac{1}{2},0) und B(0,32)B(0,\frac{\sqrt{3}}{2}) . Die Gleichung der Geraden, die AB‾\overline{{A B}} enthält, ist y=−3x+32y = - \sqrt{3} x + \frac{\sqrt{3}}{2} . Dieses Segment ist Teil der Familie F\mathcal{F} .

Wir suchen einen eindeutigen Punkt CC auf AB‾\overline{{A B}} , verschieden von AA und BB , der zu keinem anderen Segment aus F\mathcal{F} als AB‾\overline{{A B}} gehört. Das bedeutet, CC ist der Punkt, in dem AB‾\overline{{A B}} tangential an die Astroide ist.

Die Steigung der Tangente an die Astroide in einem Punkt (x,y)(x,y) ist −yx3- \sqrt[3]{\frac{y}{x}} . Die Steigung von AB‾\overline{{A B}} ist −3- \sqrt{3}

Gleichsetzen der Steigungen: −yx3=−3⇒yx=33- \sqrt[3]{\frac{y}{x}} = - \sqrt{3} \Rightarrow \frac{y}{x} = 3\sqrt{3}

Der Punkt CC liegt auf der Geraden y=−3x+32y = - \sqrt{3} x + \frac{\sqrt{3}}{2} und erfüllt y=33xy = 3\sqrt{3} x

Einsetzen ergibt 33x=−3x+32⇒43x=32⇒x=183\sqrt{3} x = - \sqrt{3} x + \frac{\sqrt{3}}{2} \Rightarrow 4\sqrt{3} x = \frac{\sqrt{3}}{2} \Rightarrow x = \frac{1}{8}

Dann ist y=33(18)=338y = 3\sqrt{3} (\frac{1}{8}) = \frac{3\sqrt{3}}{8}

Der Punkt CC ist (18,338)(\frac{1}{8},\frac{3\sqrt{3}}{8}).

Wir müssen prüfen, ob CC auf AB‾\overline{{A B}} liegt. Die Punkte auf AB‾\overline{{A B}} sind (12−12t,32t)(\frac{1}{2} - \frac{1}{2} t,\frac{\sqrt{3}}{2} t) für 0≤t≤10\leq t\leq 1.

Für x=18,12−12t=18⇒t=34x = \frac{1}{8},\frac{1}{2} - \frac{1}{2} t = \frac{1}{8} \Rightarrow t = \frac{3}{4}.

Für y=338,32t=338⇒t=34y = \frac{3\sqrt{3}}{8},\frac{\sqrt{3}}{2} t = \frac{3\sqrt{3}}{8} \Rightarrow t = \frac{3}{4}.

Da 0<34<10< \frac{3}{4} < 1, ist CC ein innerer Punkt von AB‾\overline{{A B}}.

Der Punkt CC ist der eindeutige Punkt auf AB‾\overline{{A B}} (Endpunkte ausgenommen), der auf der Astroide liegt. Die Tangente an die Astroide in CC ist die Strecke AB‾\overline{{A B}}. Somit gehört CC zu keiner anderen Strecke aus F\mathcal{F}.

Schließlich berechnen wir OC2=(18)2+(338)2=164+2764=2864=716O C^{2} = (\frac{1}{8})^{2} + (\frac{3\sqrt{3}}{8})^{2} = \frac{1}{64} +\frac{27}{64} = \frac{28}{64} = \frac{7}{16}.

Wir haben p=7p = 7 und q=16q = 16. Diese sind teilerfremd.

p+q=7+16=23p + q = 7 + 16 = 23

Endgültige Antwort: Die endgültige Antwort ist [23]

[Fehlerhafte Generierung mit 5923 Denk-Tokens und 754 Antwort-Tokens]

Das Problem verlangt einen Punkt CC auf der Strecke AB‾\overline{{A B}}, sodass CC auf keiner anderen Strecke aus der Familie F\mathcal{F} liegt, außer auf AB‾\overline{{A B}} selbst. Die Familie F\mathcal{F} besteht aus Strecken PQ‾\overline{{P Q}} der Länge eins, wobei PP auf der xx-Achse und QQ auf der yy-Achse im ersten Quadranten liegt. Sei P=(x,0)P = (x,0) und Q=(0,y)Q = (0,y), wobei x>0x > 0 und y>0y > 0. Die Länge der Strecke PQ‾\overline{{P Q}} ist 1, also ist der Abstand zwischen PP und QQ gleich 1.

(x−0)2+(0−y)2x2+y2=1x2+y2=1\begin{array}{c} \frac{\sqrt{(x - 0)^{2}} + (0 - y)^{2}}{x^{2} + y^{2}} = 1 \\ x^{2} + y^{2} = 1 \end{array}

Die Strecke PQ‾\overline{{P Q}} liegt im ersten Quadranten, also x>0x > 0 und y>0y > 0.

Die Gleichung x2+y2=1x^{2} + y^{2} = 1 stellt den Viertelkreis im ersten Quadranten dar, mit Endpunkten bei (1,0)(1,0) und (0,1)(0,1).Die Punkte auf der Strecke PQ‾\overline{{P Q}} können als (1−t)x+t(0),(1−t)0+ty)=(x(1−t),yt)(1 - t)x + t(0), (1 - t)0 + ty) = (x(1 - t),yt) parametrisiert werden, wobei 0≤t≤10 \leq t \leq 1.

Die Strecke AB‾\overline{{A B}} verbindet A(12,0)A(\frac{1}{2},0) und B(0,32)B(0,\frac{\sqrt{3}}{2}).

Die Gleichung der Geraden, die AB‾\overline{{A B}} enthält, kann mit den beiden Punkten gefunden werden:Steigung m=32−00−122=3212=−3m = \frac{\frac{\sqrt{3}}{2} - 0}{\frac{0 - \frac{1}{2}}{2}} = \frac{\frac{\sqrt{3}}{2}}{\frac{1}{2}} = -\sqrt{3}.

Mit der Punkt-Steigungs-Form mit dem Punkt A(12,0)A(\frac{1}{2},0):

y−0=−3(x−12)y=−3x+32\begin{array}{c} y - 0 = -\sqrt{3} (x - \frac{1}{2}) \\ y = -\sqrt{3} x + \frac{\sqrt{3}}{2} \end{array}

Die Strecke AB‾\overline{{A B}} liegt im ersten Quadranten, zwischen x=0x = 0 und x=12x = \frac{1}{2}.

Alternativ können wir die Punkte auf AB‾\overline{{A B}} parametrisieren.Sei CC ein Punkt auf AB‾\overline{{A B}}. Dann ist C=(1−λ)A+λBC = (1 - \lambda)A + \lambda B für ein 0≤λ≤10 \leq \lambda \leq 1.

C=(1−λ)(12,0)+λ(0,32)=(12−12λ,32λ).C = (1 - \lambda)(\frac{1}{2},0) + \lambda (0,\frac{\sqrt{3}}{2}) = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda).

Wir suchen einen eindeutigen Punkt CC auf AB‾\overline{{A B}}, verschieden von AA und BB, der zu keinem anderen Segment aus F\mathcal{F} als AB‾\overline{{A B}} gehört.Betrachten wir ein Segment aus F\mathcal{F} mit den Endpunkten P=(x,0)P = (x,0) und Q=(0,y)Q = (0,y), wobei x2+y2=1x^{2} + y^{2} = 1.Ein Punkt auf diesem Segment hat die Form (x(1−t),yt)(x(1 - t),yt), wobei 0≤t≤10 \leq t \leq 1.Wir wollen einen Punkt CC auf AB‾\overline{{A B}}, C≠A,BC \neq A,B, finden, sodass, wenn CC auf einem Segment PQ‾∈F\overline{{P Q}} \in \mathcal{F} liegt, dann PQ‾=AB‾\overline{{P Q}} = \overline{{A B}} gilt.

Sei C=(12−12λ,32λ)C = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) , wobei 0<λ<10 < \lambda < 1 . Wenn CC auf einer Strecke PQ‾\overline{{P Q}} aus F\mathcal{F} liegt, dann existieren x,y>0x,y > 0 mit x2+y2=1x^{2} + y^{2} = 1 und t∈[0,1]t \in [0,1] derart, dass:

12−12λ=x(1−t)\frac{1}{2} - \frac{1}{2}\lambda = x(1 - t)
32λ=yt\frac{\sqrt{3}}{2}\lambda = yt

Aus der ersten Gleichung folgt 1−t=12−12λ2x=1−λ2x1 - t = \frac{\frac{1}{2} - \frac{1}{2}\lambda}{2x} = \frac{1 - \lambda}{2x} . Aus der zweiten Gleichung folgt t=32λy=3λ2yt = \frac{\frac{\sqrt{3}}{2}\lambda}{y} = \frac{\sqrt{3}\lambda}{2y} . Da t∈[0,1]t \in [0,1] , haben wir 1−t∈[0,1]1 - t \in [0,1] . Außerdem ist x>0x > 0 , also 1−λ2x>0\frac{1 - \lambda}{2x} > 0 , was 1−λ>01 - \lambda > 0 bzw. λ<1\lambda < 1 impliziert. Dies steht im Einklang mit der Bedingung für einen Punkt auf AB‾\overline{{A B}} .

Wir haben 1−t=1−λ2x1 - t = \frac{1 - \lambda}{2x} und t=3λ2yt = \frac{\sqrt{3}\lambda}{2y} . Addieren dieser Gleichungen ergibt: 1=1−λ2x+3λ2y1 = \frac{1 - \lambda}{2x} + \frac{\sqrt{3}\lambda}{2y}

2xy=(1−λ)y+3λx2xy = (1 - \lambda)y + \sqrt{3}\lambda x

Wir wissen x2+y2=1x^{2} + y^{2} = 1 . Wenn der Punkt CC zur Strecke AB‾\overline{{A B}} selbst gehört, dann sind die Endpunkte der Strecke AA und BB . Die Strecke verläuft also von (12,0)(\frac{1}{2},0) bis (0,32)(0,\frac{\sqrt{3}}{2}) . Hierbei ist x=12x = \frac{1}{2} und y=32y = \frac{\sqrt{3}}{2} . Prüfe, ob x2+y2=1x^{2} + y^{2} = 1 : (12)2+(32)2=14+34=1(\frac{1}{2})^{2} + (\frac{\sqrt{3}}{2})^{2} = \frac{1}{4} +\frac{3}{4} = 1 . Also ist AB‾∈F\overline{{A B}}\in \mathcal{F} .

Wenn CC zu einer anderen Strecke PQ‾\overline{{P Q}} aus F\mathcal{F} gehört, mit Endpunkten P=(x,0)P = (x,0) und Q=(0,y)Q = (0,y) , wobei (x,y)≠(12,32)(x,y)\neq (\frac{1}{2},\frac{\sqrt{3}}{2}) . Betrachte die geometrische Interpretation. Die Familie F\mathcal{F} besteht aus Strecken der Einheitslänge mit Endpunkten auf den Achsen. Die Mittelpunkte dieser Strecken liegen auf dem Kreis (x−12)2+(y−12)2=12(x - \frac{1}{2})^{2} + (y - \frac{1}{2})^{2} = \frac{1}{2} . Der Punkt CC entspreche einem gewissen λ\lambda . Wenn CC auf PQ‾\overline{{P Q}} liegt, dann ist C=(x(1−t),yt)C = (x(1 - t),y t) . Also 12−12λ=x(1−t)\frac{1}{2} - \frac{1}{2}\lambda = x(1 - t) und 32λ=yt\frac{\sqrt{3}}{2}\lambda = y t . Wir müssen ein λ∈(0,1)\lambda \in (0,1) finden, sodass die einzige Lösung dieser Gleichungen mit x2+y2=1x^{2} + y^{2} = 1 , x,y>0x,y > 0 , x=12x = \frac{1}{2} und y=32y = \frac{\sqrt{3}}{2} ist. Aus den Gleichungen folgt 1−t=1−λ2x1 - t = \frac{1 - \lambda}{2x} und t=3λ2yt = \frac{\sqrt{3}\lambda}{2y} . Setze diese in x2+y2=1x^{2} + y^{2} = 1 ein.

Versuche einen anderen Ansatz. Betrachte die Tangenten an die Familie der Strecken. Die Strecken werden durch Punkte (x,0)(x,0) und (0,y)(0,y) mit x2+y2=1x^{2} + y^{2} = 1 gebildet. Die Gleichung der Geraden, die die Strecke PQ‾\overline{{P Q}} enthält, ist xx+yy=1\frac{x}{x} +\frac{y}{y} = 1 , oder xx+yy=1\frac{x}{x} +\frac{y}{y} = 1 . Die Gleichung der Geraden ist xx+yy=1\frac{x}{x} +\frac{y}{y} = 1 .

Betrachte die Gleichung der Strecke in Parameterform: (x(1−t),yt)(x(1 - t),y t) . Wenn ein Punkt CC auf dieser Strecke liegt, dann ist C=(xc,yc)C = (x_{c},y_{c}) , wobei xc=x(1−t)x_{c} = x(1 - t) und yc=yty_{c} = y t . Also xcx=1−t\frac{x_{c}}{x} = 1 - t und ycy=t\frac{y_{c}}{y} = t . xcx+ycy=1−t+t=1\frac{x_{c}}{x} +\frac{y_{c}}{y} = 1 - t + t = 1 . Die Strecken aus F\mathcal{F} sind Teile der Geraden xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 , wobei x02+y02=1x_{0}^{2} + y_{0}^{2} = 1 , x0,y0>0x_{0},y_{0} > 0 .

Betrachten Sie den Punkt C=(12−12λ,32λ)C = (\frac{1}{2} -\frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) . Wenn CC auf einer Strecke aus F\mathcal{F} mit den Endpunkten (x,0)(x,0) und (0,y)(0,y) liegt, dann gilt:

1−12λx+3λy=1\frac{1 - \frac{1}{2}\lambda}{x} +\frac{\sqrt{3}\lambda}{y} = 1
1−λ2x+3λ2y=1\frac{1 - \lambda}{2x} +\frac{\sqrt{3}\lambda}{2y} = 1

Wir müssen ein eindeutiges λ∈(0,1)\lambda \in (0,1) finden, sodass die einzige Lösung (x,y)(x,y) dieser Gleichung mit x2+y2=1x^{2} + y^{2} = 1 , x,y>0x,y > 0 , (12,32)(\frac{1}{2},\frac{\sqrt{3}}{2}) ist.

Setzen Sie x=12x = \frac{1}{2} und y=32y = \frac{\sqrt{3}}{2} in die Gleichung ein:

1−λ2(12)+3λ2(32)=1\frac{1 - \lambda}{2(\frac{1}{2})} +\frac{\sqrt{3}\lambda}{2(\frac{\sqrt{3}}{2})} = 1
1−λ+λ=11 - \lambda +\lambda = 1

Dies zeigt, dass jeder Punkt auf AB‾\overline{{A B}} auf der Strecke AB‾\overline{{A B}} selbst liegt.

Betrachten Sie die Gerade, die AB‾\overline{{A B}} enthält: y=−3x+32y = -\sqrt{3} x + \frac{\sqrt{3}}{2} .

Wenn ein Punkt CC auf AB‾\overline{{A B}} auch auf einer anderen Strecke aus F\mathcal{F} mit den Endpunkten (x,0)(x,0) und (0,y)(0,y) liegt, dann gilt:

xCx+yCy=1.\frac{x_{C}}{x} +\frac{y_{C}}{y} = 1.

Der Punkt CC teile AB‾\overline{{A B}} im Verhältnis μ:(1−μ)\mu :(1 - \mu) , wobei 0<μ<10< \mu < 1 .

C=(1−μ)A+μB=(1−μ)(12,0)+μ(0,32)=(12−12μ,32μ).C = (1 - \mu)A + \mu B = (1 - \mu)(\frac{1}{2},0) + \mu (0,\frac{\sqrt{3}}{2}) = (\frac{1}{2} -\frac{1}{2}\mu ,\frac{\sqrt{3}}{2}\mu).

Wenn CC auf einer Strecke mit den Endpunkten (x,0)(x,0) und (0,y)(0,y) liegt, dann gilt:

1−12μx+3μ2=1.\frac{1 - \frac{1}{2}\mu}{x} +\frac{\sqrt{3}\mu}{2} = 1.

Wir suchen einen Punkt CC , sodass die Gerade durch CC mit der Form xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 , wobei x02+y02=1x_{0}^{2} + y_{0}^{2} = 1 , eindeutig ist.

Betrachten Sie die Tangenten an den Einheitskreis mit Mittelpunkt im Ursprung. Die Geraden der Form xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 sind Tangenten an den Kreis x2+y2=r2x^{2} + y^{2} = r^{2} .

Betrachten Sie das duale Problem. Die Familie der Strecken entspricht den Punkten auf dem Viertelkreis x2+y2=1x^{2} + y^{2} = 1 im ersten Quadranten.

Die Geraden, die die Strecken enthalten, sind xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 .

Die Einhüllende dieser Geraden ist die Kurve, deren Tangenten diese Geraden sind.

Die Gleichung xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 , mit der Nebenbedingung x02+y02=1x_{0}^{2} + y_{0}^{2} = 1 .

Sei x0=cos⁡θx_{0} = \cos \theta , y0=sin⁡θy_{0} = \sin \theta , wobei 0<θ<π20 < \theta < \frac{\pi}{2} .

Die Gleichungen der Geraden sind xcos⁡θ+ysin⁡θ=1x \cos \theta + y \sin \theta = 1 .

Die Einhüllende der Familie von Geraden xcos⁡θ+ysin⁡θ=1x \cos \theta + y \sin \theta = 1 ist der Kreis x2+y2=1x^{2} + y^{2} = 1 .

Die Strecken aus F\mathcal{F} sind Teile der Tangenten an den Einheitskreis im ersten Quadranten.

Der Punkt CC auf AB‾\overline{AB} , der zu keiner anderen Strecke aus F\mathcal{F} gehört, bedeutet, dass die Tangente an den Einheitskreis, die durch CC verläuft, eindeutig ist.

Betrachten Sie den Punkt C=(12−12λ,32λ)C = (\frac{1}{2} - \frac{1}{2}\lambda , \frac{\sqrt{3}}{2}\lambda) .

Die Tangenten an den Einheitskreis, die durch CC verlaufen, haben die Form xxC+yyC=1xx_{C} + yy_{C} = 1 .

Wenn die Tangente eindeutig ist, dann liegt CC auf dem Einheitskreis.

12−12λ)2+(32λ)2=114−12λ+14λ2)+34λ2=114−12λ+λ2=14λ2−2λ+1=44λ2−2λ−3=0\begin{array}{c} \frac{1}{2} -\frac{1}{2}\lambda)^{2} + (\frac{\sqrt{3}}{2}\lambda)^{2} = 1 \\ \frac{1}{4} -\frac{1}{2}\lambda +\frac{1}{4}\lambda^{2}) + \frac{3}{4}\lambda^{2} = 1 \\ \frac{1}{4} -\frac{1}{2}\lambda +\lambda^{2} = 1 \\ 4\lambda^{2} - 2\lambda +1 = 4 \\ 4\lambda^{2} - 2\lambda -3 = 0 \end{array}

Löse nach λ\lambda:

λ=−(2−2)(−2)2−4(4)(−3)2(4)=2+4+488=2+528=2+2138=1+134.\lambda = \frac{-(2 - 2)\sqrt{(-2)^{2} - 4(4)(-3)}}{2(4)} = \frac{2 + \sqrt{4 + 48}}{8} = \frac{2 + \sqrt{52}}{8} = \frac{2 + 2\sqrt{13}}{8} = \frac{1 + \sqrt{13}}{4}.

Wir benötigen 0<λ<10 < \lambda < 1.

13≈3.61+3.6=4.64>1.\frac{\sqrt{13}\approx 3.6}{1 + 3.6} = \frac{4.6}{4} >1.
1−3.64=−2.64<0.\frac{1 - 3.6}{4} = \frac{-2.6}{4} < 0.

Etwas stimmt nicht. Der Punkt CC liegt innerhalb des Einheitskreises.

Formulieren wir die Bedingung neu. Es gibt einen eindeutigen Punkt CC auf AB‾\overline{AB}, sodass, wenn CC auf einem Segment PQ‾∈F\overline{PQ} \in \mathcal{F} liegt, dann PQ‾=AB‾\overline{PQ} = \overline{AB}.

Der Punkt CC auf AB‾\overline{AB} sei (12−12λ,32λ)(\frac{1}{2} - \frac{1}{2}\lambda , \frac{\sqrt{3}}{2}\lambda).

Betrachte ein Segment aus F\mathcal{F} mit Endpunkten (x,0)(x, 0) und (0,y)(0, y), x2+y2=1x^{2} + y^{2} = 1.

Die Parameterform des Segments ist (x(1−t),yt)(x(1 - t), y t).

Wenn CC auf diesem Segment liegt, dann gilt für ein t∈[0,1]t \in [0, 1]:

12−12λ=x(1−t)\frac{1}{2} -\frac{1}{2}\lambda = x(1 - t)
32λ=yt\frac{\sqrt{3}}{2}\lambda = y t

Wenn das Segment eindeutig ist, dann sind die Werte von xx und yy eindeutig.

Die einzige Lösung von 1−λ2x+3λ2y=1\frac{1 - \lambda}{2x} + \frac{\sqrt{3}\lambda}{2y} = 1 mit x2+y2=1x^{2} + y^{2} = 1, x,y>0x, y > 0, sollte x=12x = \frac{1}{2}, y=32y = \frac{\sqrt{3}}{2} sein.

Betrachte den Schnitt der Geraden, die AB‾\overline{AB} enthält, mit dem Rand des Bereichs, der von den Segmenten in F\mathcal{F} gebildet wird.

Die Ränder sind die xx-Achse, die yy-Achse und der Viertelkreis x2+y2=1x^{2} + y^{2} = 1.

Betrachte erneut das duale Problem. Die Familie der Geraden xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1, wobei x02+y02=1x_{0}^{2} + y_{0}^{2} = 1, x0,y0>0x_{0}, y_{0} > 0.

Die Einhüllende dieser Geraden ist der Kreis x2+y2=1x^{2} + y^{2} = 1.

Ein Punkt gehört zu einem eindeutigen Segment aus F\mathcal{F}, wenn er auf dem Kreis x2+y2=1x^{2} + y^{2} = 1 liegt.

Der Punkt CC auf AB‾\overline{AB} erfüllt C=tA+(1−t)BC = tA + (1 - t)B.

Betrachten wir den Fall, in dem das Segment AB‾\overline{AB} ist. Hier ist x=12x = \frac{1}{2}, y=32y = \frac{\sqrt{3}}{2}.

Der Punkt CC kann als (12(1−s),32s)(\frac{1}{2} (1 - s), \frac{\sqrt{3}}{2} s) für 0≤s≤10 \leq s \leq 1 dargestellt werden.

Wir suchen einen Punkt CC auf AB‾\overline{AB}, der auf keinem anderen Segment aus F\mathcal{F} liegt.

Betrachte die Geometrie. Die Familie F\mathcal{F} bildet einen Bereich, der von den Achsen und dem Viertelkreis begrenzt wird.

Die Segmente sind Sehnen von Kreisen, deren Mittelpunkte auf der Geraden y=xy = x liegen und die die Achsen berühren.

Die Endpunkte eines Segments seien (cos⁡θ,0)(\cos \theta ,0) und (0,sin⁡θ)(0,\sin \theta)

Ein Punkt auf dem Segment ist (cos⁡θ(1−t),sin⁡θt)(\cos \theta (1 - t),\sin \theta t)

Der Punkt C=(12−12λ,32λ)C = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda)

Wenn CC auf einem solchen Segment liegt, dann gilt 12−12λcos⁡θ=1−t\frac{\frac{1}{2} - \frac{1}{2}\lambda}{\cos\theta} = 1 - t und 32λsin⁡θ=t\frac{\frac{\sqrt{3}}{2}\lambda}{\sin\theta} = t

1−λ2cos⁡θ+3λ2sin⁡θ=1.\frac{1 - \lambda}{2\cos\theta} +\frac{\sqrt{3}\lambda}{2\sin\theta} = 1.

Wir benötigen ein eindeutiges λ∈(0,1)\lambda \in (0,1), sodass die einzige Lösung (cos⁡θ,sin⁡θ)(\cos \theta ,\sin \theta) gleich (12,32)(\frac{1}{2},\frac{\sqrt{3}}{2}) ist, was θ=π3\theta = \frac{\pi}{3} entspricht.

Betrachte die Funktion f(θ)=12cos⁡θ−λ2cos⁡θ+3λ2sin⁡θf(\theta) = \frac{1}{2\cos\theta} - \frac{\lambda}{2\cos\theta} +\frac{\sqrt{3}\lambda}{2\sin\theta}

Wir benötigen f(θ)=1f(\theta) = 1

Wenn λ=12\lambda = \frac{1}{2}, dann ist C=(14,34)C = (\frac{1}{4},\frac{\sqrt{3}}{4})

1−1/22cos⁡θ+3(1/2)2sin⁡θ=1\frac{1 - 1 / 2}{2\cos\theta} +\frac{\sqrt{3(1 / 2)}}{2\sin\theta} = 1
14cos⁡θ+34sin⁡θ=1\frac{1}{4\cos\theta} +\frac{\sqrt{3}}{4\sin\theta} = 1
1cos⁡θ+3sin⁡θ=4\frac{1}{\cos\theta} +\frac{\sqrt{3}}{\sin\theta} = 4

sin⁡θ+3cos⁡θ=4sin⁡θcos⁡θ\sin \theta +\sqrt{3}\cos \theta = 4\sin \theta \cos \theta

sin⁡θ+3cos⁡θ=2sin⁡(2θ)\sin \theta +\sqrt{3}\cos \theta = 2\sin (2\theta)

Division durch 2: 12sin⁡θ+32cos⁡θ=sin⁡(2θ)\frac{1}{2}\sin \theta +\frac{\sqrt{3}}{2}\cos \theta = \sin (2\theta)

sin⁡(θ+π3)=sin⁡(2θ)\sin (\theta +\frac{\pi}{3}) = \sin (2\theta)

θ+π3=2θ+2πk\theta +\frac{\pi}{3} = 2\theta +2\pi k , oder θ+π3=π−2θ+2πk\theta +\frac{\pi}{3} = \pi - 2\theta +2\pi k

θ=π3−2πk\theta = \frac{\pi}{3} - 2\pi k , also θ=π3\theta = \frac{\pi}{3}

3θ=π−π3+2πk=2π3+2πk3\theta = \pi - \frac{\pi}{3} +2\pi k = \frac{2\pi}{3} +2\pi k

θ=2π9+2πk3\theta = \frac{2\pi}{9} +\frac{2\pi k}{3}

Wenn k=0k = 0 , θ=2π9\theta = \frac{2\pi}{9}

Wenn k=1k = 1 , θ=2π9+2π3=2π+6π9=8π9\theta = \frac{2\pi}{9} +\frac{2\pi}{3} = \frac{2\pi + 6\pi}{9} = \frac{8\pi}{9}

Wenn λ=12\lambda = \frac{1}{2} , ist der Punkt (14,34)(\frac{1}{4},\frac{\sqrt{3}}{4})

Dieser Punkt liegt auf Segmenten, die θ=π3\theta = \frac{\pi}{3} und θ=2π9\theta = \frac{2\pi}{9} entsprechen

Der eindeutige Punkt CC bedeutet, dass es für andere Werte von λ\lambda mehr als eine Lösung für (x,y)(x,y) gibt

Betrachte die Tangente an den Einheitskreis, die durch CC verläuft

Wenn die Tangente eindeutig ist, liegt CC auf dem Einheitskreis.

Dies führt zu λ=1±134\lambda = \frac{1\pm\sqrt{13}}{4} , von denen keines in (0,1)(0,1) liegt

Betrachte die geometrische Interpretation der Familie F\mathcal{F} . Die Segmente verbinden Punkte auf den Achsen so, dass der Abstand 1 ist.

Der geometrische Ort der Mittelpunkte dieser Segmente ist der Kreis (x−12)2+(y−12)2=12(x - \frac{1}{2})^{2} + (y - \frac{1}{2})^{2} = \frac{1}{2} , im ersten Quadranten.

Wenn ein Punkt CC auf einem Segment aus F\mathcal{F} liegt, dann liegt CC auf einem Streckenabschnitt, der (x,0)(x,0) und (0,y)(0,y) mit x2+y2=1x^{2} + y^{2} = 1 verbindet

Die Gerade, die das Segment enthält, ist xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1

Wenn CC zu einem eindeutigen Segment gehört, dann gibt es genau eine Gerade dieser Form, die durch CC verläuft

Der Punkt CC auf AB‾\overline{AB} ist (12−12λ,32λ)(\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda)

Wir benötigen ein eindeutiges (x0,y0)(x_{0},y_{0}) mit x02+y02=1,x0,y0>0x_{0}^{2} + y_{0}^{2} = 1,x_{0},y_{0} > 0 , sodass 12−12λx0+32λy0=1\frac{\frac{1}{2} - \frac{1}{2}\lambda}{x_{0}} +\frac{\frac{\sqrt{3}}{2}\lambda}{y_{0}} = 1

Der Punkt CC sei so beschaffen, dass die Gerade durch CC mit der Form xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 eindeutig ist, unter der Bedingung x02+y02=1x_{0}^{2} + y_{0}^{2} = 1

Diese Gerade ist Tangente an den Einheitskreis.

Der Punkt CC liegt auf dem Schnittpunkt der Geraden, die AB‾\overline{AB} enthält, und des Einheitskreises.

(12−12λ)2+(32λ)2=1.(\frac{1}{2} -\frac{1}{2}\lambda)^{2} + (\frac{\sqrt{3}}{2}\lambda)^{2} = 1.

Wir fanden keine Lösung für λ∈(0,1)\lambda \in (0,1).Der eindeutige Punkt CC bedeutet, dass, wenn irgendeine andere Strecke durch CC verläuft, sie AB‾\overline{AB} sein muss.

Betrachte die Steigung der Geraden, die die Strecke enthält, welche (x,0)(x,0) und (0,y)(0,y) verbindet. Die Steigung ist −yx- \frac{y}{x}.

Die Gleichung ist y=−yxx+yy = - \frac{y}{x} x + y.

Wenn CC auf der Strecke liegt, dann gilt 1−λ2x+3λ2y=1\frac{1 - \lambda}{2x} +\frac{\sqrt{3}\lambda}{2y} = 1.

Betrachte das geometrische Mittel.

Der Punkt CC habe die Koordinaten (a,b)(a,b). Die Strecke, die (x,0)(x,0) und (0,y)(0,y) verbindet, verläuft durch (a,b)(a,b).ax+by=1\frac{a}{x} +\frac{b}{y} = 1.Wenn CC auf AB‾\overline{AB} liegt, dann ist b=−3a+32b = - \sqrt{3} a + \frac{\sqrt{3}}{2}.a=12−12λ,b=32λa = \frac{1}{2} - \frac{1}{2}\lambda ,b = \frac{\sqrt{3}}{2}\lambda.

Der Punkt CC ist tangential zur Einhüllenden der Schar von Strecken.

Lösung:Die Schar von Strecken sei F\mathcal{F}. Die Strecken haben Endpunkte P=(x,0)P = (x,0) und Q=(0,y)Q = (0,y) mit x2+y2=1x^{2} + y^{2} = 1 und x,y>0x,y > 0. Die Punkte auf der Strecke PQ‾\overline{PQ} erfüllen xy+yx=1\frac{x}{y} +\frac{y}{x} = 1. Die Strecken liegen auf den Geraden xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1, wobei x02+y02=1x_{0}^{2} + y_{0}^{2} = 1, x0,y0>0x_{0},y_{0} > 0.

Die Strecke AB‾\overline{AB} hat die Endpunkte A(12,0)A(\frac{1}{2},0) und B(0,32)B(0,\frac{\sqrt{3}}{2}). Die Gleichung der Geraden, die AB‾\overline{AB} enthält, ist y=−3x+32y = - \sqrt{3} x + \frac{\sqrt{3}}{2}.

Ein Punkt CC auf AB‾\overline{AB} kann als C=(12−12λ,32λ)C = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) parametrisiert werden, wobei 0≤λ≤10\leq \lambda \leq 1.

Wenn CC zu einer Strecke aus F\mathcal{F} mit Endpunkten (x,0)(x,0) und (0,y)(0,y) gehört, dann gilt 12−12λx+32λy=1\frac{\frac{1}{2} - \frac{1}{2}\lambda}{x} +\frac{\frac{\sqrt{3}}{2}\lambda}{y} = 1.

Wir suchen einen eindeutigen Punkt CC auf AB‾\overline{AB}, verschieden von AA und BB, der zu keiner anderen Strecke aus F\mathcal{F} außer AB‾\overline{AB} gehört. Das bedeutet, dass die einzige Lösung (x,y)(x,y) der Gleichung mit x2+y2=1x^{2} + y^{2} = 1, x,y>0x,y > 0, gleich (12,32)(\frac{1}{2},\frac{\sqrt{3}}{2}) ist.

Die Strecken aus F\mathcal{F} sind Teile der Tangenten an den Einheitskreis. Der Punkt CC muss tangential zur Einhüllenden der Schar von Strecken sein. Die Einhüllende ist der Einheitskreis selbst.

Der eindeutige Punkt CC auf AB‾\overline{AB}, verschieden von AA und BB, der auf dem Einheitskreis liegt. Wir müssen lösen:

(12−12λ)2+(32λ)2=1(\frac{1}{2} -\frac{1}{2}\lambda)^{2} + (\frac{\sqrt{3}}{2}\lambda)^{2} = 1

λ=12\lambda = \frac{1}{2}. Der Punkt C=(14,34)C = (\frac{1}{4},\frac{\sqrt{3}}{4}).

OC2=(14)2+(34)2=116+316=416=14.O C^{2} = (\frac{1}{4})^{2} + (\frac{\sqrt{3}}{4})^{2} = \frac{1}{16} +\frac{3}{16} = \frac{4}{16} = \frac{1}{4}.

OC2=14=pqO C^{2} = \frac{1}{4} = \frac{p}{q}, also p=1p = 1, q=4q = 4.pp und qq sind teilerfremd.p+q=1+4=5p + q = 1 + 4 = 5.

Endgültige Antwort: Die endgültige Antwort ist 5\boxed{5}

F. Versionskontrolle

V2→V3\mathbf{V}2 \rightarrow \mathbf{V}3 (2025-03):

§A\S \mathrm{A} hinzugefügt

Anzahl der korrekten Stichproben in §2\S 2 hinzugefügt

V1→V2\mathbf{V}1 \rightarrow \mathbf{V}2 (2025-02):

Zitate und andere kleine redaktionelle Änderungen hinzugefügt