Ir al contenido principal
Niklas Muennighoff et al.

Mil ejemplos seleccionados y un tope duro de tokens de pensamiento bastan para superar a sistemas de razonamiento mayores. Artículo de 2025, gratis online.

s1: Simple test-time scaling

s1: Escalado simple en tiempo de prueba

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}

Resumen

El escalado en tiempo de prueba es un nuevo enfoque prometedor para el modelado del lenguaje que utiliza cómputo adicional en tiempo de prueba para mejorar el rendimiento. Recientemente, el modelo o1 de OpenAI mostró esta capacidad pero no compartió públicamente su metodología, lo que dio lugar a muchos esfuerzos de replicación. Buscamos el enfoque más simple para lograr el escalado en tiempo de prueba y un fuerte rendimiento en razonamiento. Primero, seleccionamos un pequeño conjunto de datos s1K de 1.000 preguntas emparejadas con trazas de razonamiento basándonos en tres criterios que validamos mediante ablaciones: dificultad, diversidad y calidad. Segundo, desarrollamos budget forcing para controlar el cómputo en tiempo de prueba terminando forzosamente el proceso de pensamiento del modelo o alargándolo añadiendo "Wait" varias veces a la generación del modelo cuando este intenta finalizar. Esto puede llevar al modelo a revisar su respuesta, corrigiendo a menudo pasos de razonamiento incorrectos. Tras el ajuste fino supervisado del modelo de lenguaje Qwen2.5-32B-Instruct sobre s1K y dotarlo de budget forcing, nuestro modelo s1-32B supera a o1-preview en preguntas de matemáticas de competición hasta en un 27%27\% (MATH y AIME24). Además, escalar s1-32B con budget forcing permite extrapolar más allá de su rendimiento sin intervención en tiempo de prueba: del 50%50\% al 57%57\% en AIME24. Nuestro modelo, datos y código son de código abierto en https://github.com/simplescaling/s1.

1. Introducción

Las mejoras de rendimiento de los modelos de lenguaje (LMs) en los últimos años se han basado en gran medida en escalar el cómputo en tiempo de entrenamiento mediante preentrenamiento autosupervisado a gran escala (Kaplan et al., 2020; Hoffmann et al., 2022). La creación de estos potentes modelos ha preparado el terreno para un nuevo paradigma de escalado construido sobre ellos: el escalado en tiempo de prueba. El objetivo

Figura 1. Escalado en tiempo de prueba con s1-32B. Evaluamos s1-32B en tareas intensivas en razonamiento y variamos el cómputo en tiempo de prueba.
Figura 1. Escalado en tiempo de prueba con s1-32B. Evaluamos s1-32B en tareas intensivas en razonamiento y variamos el cómputo en tiempo de prueba.

de este enfoque es aumentar el cómputo en tiempo de prueba para obtener mejores resultados. Ha habido mucho trabajo explorando esta idea (Snell et al., 2024; Welleck et al., 2024), y la viabilidad de este paradigma fue validada recientemente por OpenAI o1 (OpenAI, 2024). o1 ha demostrado un fuerte rendimiento en razonamiento con ganancias consistentes al escalar el cómputo en tiempo de prueba. OpenAI describe su enfoque como el uso de aprendizaje por refuerzo (RL) a gran escala, lo que implica el uso de cantidades considerables de datos (OpenAI, 2024). Esto ha llevado a diversos intentos de replicar sus modelos recurriendo a técnicas como la búsqueda de árbol de Monte Carlo (Gao et al., 2024b; Zhang et al., 2024a), enfoques multiagente (Qin et al., 2024) y otros (Wang et al., 2024a; Huang et al., 2024b; 2025). Entre estos enfoques, DeepSeek R1 (DeepSeek-AI et al., 2025) ha replicado con éxito el rendimiento de nivel o1, empleando también aprendizaje por refuerzo mediante millones de muestras y múltiples etapas de entrenamiento. Sin embargo, a pesar del gran número de intentos de replicación de o1, ninguno ha replicado abiertamente un comportamiento claro de escalado en tiempo de prueba. Por lo tanto, nos preguntamos: ¿cuál es el enfoque más simple para lograr tanto el escalado en tiempo de prueba como un fuerte rendimiento en razonamiento? Mostramos que entrenar con solo 1.000 muestras mediante predicción del siguiente token y controlar la duración del pensamiento mediante una simple técnica en tiempo de prueba a la que nos referimos como budget forcing conduce a un modelo de razonamiento fuerte cuyo rendimiento escala con más cómputo en tiempo de prueba. Específicamente, construimos s1K, que consta de 1.000 preguntas cuidadosamente seleccionadas emparejadas con trazas de razonamiento y respuestas destiladas de Gemini Thinking Experimental (Google, 2024). Realizamos un ajuste fino supervisado (SFT) de un modelo preentrenado listo para usar sobre nuestro pequeño conjunto de datos, lo que requiere solo 26 minutos de entrenamiento en 16 GPUs H100. Después del entrenamiento, controlamos la cantidad de cómputo en tiempo de prueba que nuestro modelo emplea mediante budget forcing: (I) Si el modelo genera más tokens de pensamiento que un límite deseado, terminamos forzosamente el proceso de pensamiento añadiendo un delimitador de token de fin de pensamiento. Terminar el pensamiento de esta manera hace que el modelo pase a generar su respuesta. (II) Si queremos que el modelo emplee más cómputo en tiempo de prueba en un problema, suprimimos la generación del delimitador de token de fin de pensamiento y, en su lugar, añadimos "Wait" a la traza de razonamiento actual del modelo para fomentar más exploración. Dotado de esta simple receta —SFT sobre 1.000 muestras y budget forcing en tiempo de prueba—, nuestro modelo s1-32B exhibe escalado en tiempo de prueba (Figura 1). Además, s1-32B es el modelo de razonamiento más eficiente en muestras y supera a modelos de código cerrado como o1-preview de OpenAI (Figura 2).

Realizamos extensos experimentos de ablación dirigidos a (a) nuestra selección de 1.000 (1K) muestras de razonamiento y (b) nuestro escalado en tiempo de prueba. Para (a), encontramos que incorporar conjuntamente medidas de dificultad, diversidad y calidad en nuestro algoritmo de selección es importante. La selección aleatoria, la selección de muestras con las trazas de razonamiento más largas o la selección únicamente de muestras máximamente diversas conducen todas a un rendimiento significativamente peor (alrededor de −30%- 30\% en AIME24 de media). Entrenar sobre nuestro conjunto completo de datos de 59K ejemplos, un superconjunto de s1K, no ofrece ganancias sustanciales sobre nuestra selección de 1K. Esto resalta la importancia de una selección cuidadosa de datos y se hace eco de hallazgos previos para el ajuste por instrucciones (Zhou et al., 2023). Para (b), definimos los requisitos deseables para los métodos de escalado en tiempo de prueba con el fin de comparar diferentes enfoques. Budget forcing conduce al mejor escalado, ya que tiene una controlabilidad perfecta con una clara pendiente positiva que conduce a un fuerte rendimiento.

En resumen, nuestras contribuciones son: Desarrollamos métodos simples para crear un conjunto de datos de razonamiento eficiente en muestras (§2) y escalado en tiempo de prueba (§3); Sobre esta base, construimos s1-32B, que es competitivo con o1-preview (§4); Realizamos ablaciones sobre sutilezas de los datos (§5.1) y del escalado en tiempo de prueba (§5.2). Terminamos con una discusión para motivar trabajo futuro sobre razonamiento simple (§6). Nuestro código, modelo y datos son de código abierto en https://github.com/simplescaling/s1.

2. Curación de datos de razonamiento para crear s1K

En esta sección, describimos nuestro proceso para crear un gran conjunto de datos primero en §2.1 y luego filtrarlo hasta s1K en §2.2.

2.1. Recopilación inicial de 59K muestras

Recopilamos una colección inicial de 59.029 preguntas de 16 fuentes siguiendo tres principios rectores. Calidad: Los conjuntos de datos deben ser de alta calidad; siempre inspeccionamos las muestras e ignoramos conjuntos de datos con, por ejemplo, formato deficiente; Dificultad: Los conjuntos de datos deben ser desafiantes y requerir un esfuerzo de razonamiento significativo; Diversidad: Los conjuntos de datos deben provenir de diversos campos para cubrir diferentes tareas de razonamiento. Recopilamos conjuntos de datos de dos categorías:

Curación de conjuntos de datos existentes Nuestra mayor fuente es NuminaMATH (LI et al., 2024) con 30.660 problemas matemáticos de sitios web en línea. También incluimos problemas históricos de AIME (1983-2021). Para mejorar la diversidad, añadimos OlympicArena (Huang et al., 2024a) con 4.250 preguntas que abarcan Astronomía, Biología, Química, Informática, Geografía, Matemáticas y Física de diversas Olimpiadas. OmniMath (Gao et al., 2024a) añade 4.238 problemas matemáticos de nivel de competición. También incluimos 2.385 problemas de AGIEval (Zhong et al., 2023), que presenta preguntas de exámenes estandarizados como el SAT y el LSAT, abarcando Inglés, Derecho y Lógica. Remitimos a la Tabla 7 en §C para nuestras otras fuentes.

Nuevos conjuntos de datos en razonamiento cuantitativo Para complementar estos conjuntos de datos existentes, creamos dos conjuntos de datos originales. s1-prob consta de 182 preguntas de la sección de probabilidad de los Exámenes de Calificación Doctoral del Departamento de Estadística de la Universidad de Stanford (https://statistics.stanford.edu), acompañadas de soluciones escritas a mano que abarcan demostraciones difíciles. El examen de calificación de probabilidad se celebra anualmente y requiere resolución de problemas matemáticos de nivel profesional. s1-teasers comprende 23 acertijos desafiantes comúnmente usados en preguntas de entrevista para puestos de trading cuantitativo. Cada muestra consta de un problema y una solución tomados de PuzzledQuant (https://www.puzzledquant.com/). Solo tomamos ejemplos con el nivel de dificultad más alto ("Hard").

Para cada pregunta, generamos una traza de razonamiento y una solución usando la API Google Gemini Flash Thinking (Google, 2024), extrayendo su traza de razonamiento y su respuesta. Esto produce 59K tripletas de una pregunta, una traza de razonamiento generada y una solución generada. Hay ejemplos de nuestro conjunto de datos en §D.2. Descontaminamos todas las muestras frente a nuestras preguntas de evaluación (MATH500, GPQA Diamond, AIME24; §C.5) usando 8-gramas y eliminamos los duplicados de los datos.

2.2. Selección final de 1K muestras

Podríamos entrenar directamente con nuestro conjunto de 59 000 preguntas; sin embargo, nuestro objetivo es encontrar el enfoque más sencillo con el mínimo de recursos. Por ello, pasamos por tres etapas de filtrado para llegar a un conjunto mínimo de 1000 muestras, basándonos en nuestros tres principios rectores de los datos: Calidad, Dificultad y Diversidad.

Calidad Primero eliminamos cualquier pregunta en la que hayamos encontrado algún error de API, lo que reduce nuestro conjunto de datos a 54 116 muestras. A continuación, filtramos los ejemplos de baja calidad comprobando si contienen patrones de cadena con problemas de formato, como diagramas de arte ASCII, referencias a imágenes inexistentes o numeración de preguntas inconsistente, lo que reduce nuestro conjunto de datos a 51 581 ejemplos.

Figura 2. s1K y s1-32B. (izquierda) s1K es un conjunto de datos de 1.000 preguntas de alta calidad, diversas y difíciles con trazas de razonamiento. (derecha) s1-32B, un modelo de 32B parámetros ajustado fino sobre s1K, se encuentra en la frontera de eficiencia de muestras. Véase la Tabla 1 para detalles sobre otros modelos.
Figura 2. s1K y s1-32B. (izquierda) s1K es un conjunto de datos de 1.000 preguntas de alta calidad, diversas y difíciles con trazas de razonamiento. (derecha) s1-32B, un modelo de 32B parámetros ajustado fino sobre s1K, se encuentra en la frontera de eficiencia de muestras. Véase la Tabla 1 para detalles sobre otros modelos.

De este conjunto, identificamos 384 muestras para nuestras 1000 muestras finales a partir de conjuntos de datos que percibimos como de alta calidad y que no necesitan más filtrado (véase §C.4 para más detalles).

Dificultad Para la dificultad, usamos dos indicadores: el rendimiento del modelo y la longitud de la traza de razonamiento. Evaluamos dos modelos en cada pregunta: Qwen2.5-7B-Instruct y Qwen2.5-32B-Instruct (Qwen et al., 2024), con la corrección evaluada por Claude 3.5 Sonnet comparando cada intento con la solución de referencia (véase §C.3 para el protocolo de calificación). Medimos la longitud en tokens de cada traza de razonamiento para indicar la dificultad del problema usando el tokenizador de Qwen2.5. Esto se basa en la suposición de que los problemas más difíciles requieren más tokens de pensamiento. Según la calificación, eliminamos las preguntas que Qwen2.5-7B-Instruct o Qwen2.5-32B-Instruct pueden resolver correctamente y que, por tanto, pueden ser demasiado fáciles. Al usar dos modelos reducimos la probabilidad de que una muestra fácil se cuele en nuestro filtrado debido a un error poco frecuente en una pregunta fácil de uno de los modelos. Esto reduce nuestro total de muestras a 24 496, preparando el terreno para la siguiente ronda de submuestreo basada en la diversidad. Aunque el filtrado con estos dos modelos puede estar optimizado para nuestra configuración, ya que también usaremos Qwen2.5-32B-Instruct como nuestro modelo para el ajuste fino, la idea del filtrado basado en modelos se generaliza a otras configuraciones.

Diversidad Para cuantificar la diversidad, clasificamos las preguntas en dominios usando Claude 3.5 Sonnet basándonos en el sistema de Clasificación por Materias Matemáticas (MSC) (p. ej., geometría, combinatoria, etc.) de la American Mathematical Society.1 La taxonomía se centra en temas de matemáticas, pero también incluye otras ciencias como biología, física y eco nomía. Para seleccionar nuestros ejemplos finales del conjunto de 24 496 preguntas, primero elegimos un dominio de manera uniforme al azar. Luego, muestreamos un problema de este dominio según una distribución que favorece las trazas de razonamiento más largas (véase §C.4 para más detalles), como se motivó en Dificultad. Repetimos este proceso hasta tener 1000 muestras totales que abarcan 50 dominios.

En la §5.1, mostraremos que usar nuestros tres criterios en combinación es importante, ya que depender únicamente de la calidad, la diversidad o la dificultad de forma aislada conduce a conjuntos de datos peores. Algunas generaciones destiladas son incorrectas, lo cual permitimos en nuestros datos, ya que nos centramos en capturar el proceso de razonamiento en lugar de soluciones totalmente correctas. Nuestro evaluador (§C.3) considera correcto el 53,6% en s1K y el 63,0% en nuestro s1K-1.1 de seguimiento (véase la §A).

3. Escalado en tiempo de prueba

3.1. Método

Clasificamos los métodos de escalado en tiempo de prueba en 1) Secuenciales, donde los cómputos posteriores dependen de los anteriores (p. ej., una larga traza de razonamiento), y 2) Paralelos, donde los cómputos se ejecutan de forma independiente (p. ej., votación por mayoría) (Snell et al., 2024; Brown et al., 2024). Nos centramos en el escalado secuencial, ya que intuitivamente creemos que debería escalar mejor, puesto que los cómputos posteriores pueden apoyarse en los resultados intermedios, lo que permite un razonamiento más profundo y un refinamiento iterativo. Proponemos nuevos métodos de escalado secuencial y formas de evaluarlos.

Forzado de presupuesto Proponemos una intervención simple en el momento de decodificación forzando un número máximo y/o mínimo de tokens de pensamiento. Específicamente, imponemos un conteo máximo de tokens simplemente añadiendo el delimitador del token de fin de pensamiento y, opcionalmente, "Final Answer:" para salir temprano

Figura 3. Forzamiento de presupuesto con s1-32B. El modelo intenta detenerse después de "...es 2.", pero suprimimos el delimitador del token de fin de pensamiento y, en su lugar, añadimos "Wait", lo que lleva a s1-32B a autocorregir su respuesta.
Figura 3. Forzamiento de presupuesto con s1-32B. El modelo intenta detenerse después de "...es 2.", pero suprimimos el delimitador del token de fin de pensamiento y, en su lugar, añadimos "Wait", lo que lleva a s1-32B a autocorregir su respuesta.

de la etapa de pensamiento y hacer que el modelo proporcione su mejor respuesta actual. Para imponer un mínimo, suprimimos la generación del delimitador del token de fin de pensamiento y, opcionalmente, añadimos la cadena "Wait" a la traza de razonamiento actual del modelo para animarlo a reflexionar sobre su generación actual. La Figura 3 contiene un ejemplo de cómo este enfoque simple puede llevar al modelo a llegar a una mejor respuesta.

Líneas base Evaluamos el forzado de presupuesto con: (I) Métodos de control condicional de la longitud, que consisten en indicar al modelo en el prompt durante cuánto tiempo debe generar. Los agrupamos por granularidad en (a) control condicional por tokens: especificamos un límite superior de tokens de pensamiento en el prompt; (b) control condicional por pasos: especificamos un límite superior de pasos de pensamiento, donde cada paso tiene alrededor de 100 tokens; (c) control condicional por clase: escribimos dos prompts genéricos que indican al modelo que piense durante un tiempo corto o largo (véase la §E.1 para más detalles). (II) Muestreo por rechazo, que muestrea hasta que una generación se ajusta a un presupuesto de cómputo predeterminado. Este oráculo captura la posterior sobre las respuestas condicionada a su longitud.

3.2. Métricas

Establecemos un conjunto de desiderata como métricas de evaluación para medir el escalado en tiempo de prueba entre métodos. Es importante destacar que no solo nos importa la precisión que un método puede alcanzar, sino también su controlabilidad y la pendiente de escalado en tiempo de prueba. Para cada método que consideramos, ejecutamos un conjunto de evaluaciones a∈Aa \in \mathcal{A} variando el cómputo en tiempo de prueba sobre un benchmark fijo, p. ej., AIME24. Esto produce una función lineal a trozos ff con el cómputo como eje x medido en tokens de pensamiento y la precisión como eje y (véase la Figura 1, donde el punto más a la derecha para AIME24 corresponde a f(7320)=57%f(7320) = 57\% ). Medimos tres métricas:

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)

donde amin⁡,amax⁡a_{\min}, a_{\max} se refieren a una cantidad mínima y máxima de cómputo en tiempo de prueba preespecificadas; en nuestro caso, tokens de pensamiento. Normalmente solo restringimos amax⁡a_{\max} . Como los tokens generados corresponden a la cantidad de cómputo en tiempo de prueba empleado, esta métrica mide en qué medida un método permite la controlabilidad sobre el uso de ese cómputo en tiempo de prueba. La reportamos como un porcentaje, siendo 100%100\% un control perfecto.

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 es la pendiente promedio de la función lineal a trozos. Debe ser positiva para que los métodos sean útiles y cuanto mayor, mejor.

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

Performance es simplemente el máximo rendimiento que el método alcanza en el benchmark. Un método con un escalado monótonamente creciente alcanza un 100%100\% de rendimiento en cualquier benchmark en el límite. Sin embargo, los métodos que investigamos eventualmente se estabilizan o el escalado adicional falla debido a limitaciones de control o de la ventana de contexto.

4. Resultados

4.1. Configuración

Entrenamiento Realizamos un ajuste fino supervisado sobre Qwen2.5-32B-Instruct usando s1K para obtener nuestro modelo s1-32B usando hiperparámetros básicos descritos en la §D. El ajuste fino tomó 26 minutos en 16 GPU NVIDIA H100 con PyTorch FSDP.

Evaluación Seleccionamos tres benchmarks de razonamiento representativos ampliamente usados en el campo: AIME24 (of America, 2024) tiene 30 problemas que se usaron en el Examen de Matemáticas Invitacional Estadounidense (AIME) de 2024, celebrado del 31 de enero al 1 de febrero de 2024. El AIME evalúa la resolución de problemas matemáticos con aritmética, álgebra, conteo, geometría, teoría de números, probabilidad y otros temas de matemáticas de secundaria. Los estudiantes de secundaria con puntuaciones altas en la prueba son invitados a participar en la Olimpiada Matemática de los Estados Unidos de América (USAMO). Todas las respuestas del AIME son números enteros que van de 000 a 999, inclusive. Algunos problemas del AIME dependen de figuras que proporcionamos a nuestro modelo usando el lenguaje de gráficos vectoriales Asymptote, ya que no puede recibir entradas de imagen. MATH500 (Hendrycks et al., 2021) es un benchmark de problemas de matemáticas de competición de dificultad variable. Evaluamos sobre las mismas 500 muestras seleccionadas por OpenAI en trabajos previos (Lightman et al., 2023). GPQA Diamond (Rein et al., 2023) consta de 198 preguntas de ciencia de nivel doctoral

Figura 4. Escalado secuencial y paralelo en tiempo de prueba. (a): La imposición de presupuesto muestra tendencias de escalado claras y extrapola hasta cierto punto. Para los tres puntos situados más a la derecha, impedimos que el modelo detenga su razonamiento 2/4/6 veces, añadiendo cada vez «Wait» a su traza de razonamiento actual. (b): Para Qwen2.5-32B-Instruct realizamos 64 evaluaciones para cada muestra con una temperatura de 1 y visualizamos el rendimiento cuando se aplica votación por mayoría entre 2, 4, 8, 16, 32 y 64 de estas.
Figura 4. Escalado secuencial y paralelo en tiempo de prueba. (a): La imposición de presupuesto muestra tendencias de escalado claras y extrapola hasta cierto punto. Para los tres puntos situados más a la derecha, impedimos que el modelo detenga su razonamiento 2/4/6 veces, añadiendo cada vez «Wait» a su traza de razonamiento actual. (b): Para Qwen2.5-32B-Instruct realizamos 64 evaluaciones para cada muestra con una temperatura de 1 y visualizamos el rendimiento cuando se aplica votación por mayoría entre 2, 4, 8, 16, 32 y 64 de estas.

de Biología, Química y Física. Los expertos con doctorados en los dominios correspondientes solo alcanzaron un 69.7%69.7\% en GPQA Diamond (OpenAI, 2024). Cuando escribimos "GPQA" en el contexto de la evaluación en este trabajo, siempre nos referimos al subconjunto Diamond. Nos basamos en el marco "lm-evaluation-harness" (Gao et al., 2021; Biderman et al., 2024). Salvo que se especifique lo contrario, evaluamos con una temperatura de 0 (codicioso) y medimos la precisión (equivalente a pass@1).

Otros modelos Evaluamos s1-32B frente a: la serie OpenAI o1 (OpenAI, 2024), modelos de código cerrado que popularizaron el escalado en tiempo de prueba; la serie DeepSeek r1 (DeepSeek-AI et al., 2025), modelos de razonamiento de pesos abiertos con rendimiento de hasta nivel o1; QwQ-32B-preview de Qwen (Team, 2024), un modelo de razonamiento de pesos abiertos de 32B sin metodología divulgada; Sky-T1-32B-Preview (Team, 2025) y Bespoke-32B (Labs, 2025), modelos abiertos con datos de razonamiento abiertos destilados de QwQ-32B-preview y r1; Google Gemini 2.0 Flash Thinking Experimental (Google, 2024), la API de la que destilamos. Como no tiene puntuaciones de evaluación oficiales, usamos la API de Gemini para evaluarlo nosotros mismos. Sin embargo, el "error de recitación" de la API de Gemini dificulta la evaluación.2 Evitamos esto insertando manualmente las 30 preguntas de AIME24 en su interfaz web, donde el error no aparece. Sin embargo, omitimos MATH500 (500 preguntas) y GPQA Diamond (198 preguntas), por lo que son N.A. en la Tabla 1. Nuestro modelo, s1-32B, es completamente abierto, incluyendo pesos, datos de razonamiento y código.

Modeloej.AIME 2024MATH 500GPQA Diamond
Solo API
o1-previewN.D.44,685,573,3
o1-miniN.D.70,090,060,0
o1N.D.74,494,877,3
Gemini 2.0N.D.60,0N.D.N.D.
Flash Think.
Pesos abiertos
Qwen2.5-32B-InstructN.D.26,784,049,0
QwQ-32BN.D.50,090,654,5
r1≥800K79,897,371,5
r1-distill800K72,694,362,1
Pesos abiertos y datos abiertos
Sky-T117K43,382,456,8
Bespoke-32B17K63,393,058,1
s1 sin BF1K50,092,656,6
s1-32B1K56,793,059,6
Tabla 1. s1-32B es un potente modelo de razonamiento abierto. Evaluamos s1-32B, Qwen y Gemini (algunas entradas son desconocidas (N.A.), véase §4\S 4 ). Los demás resultados proceden de los respectivos informes (Qwen et al., 2024; Team, 2024; OpenAI, 2024; DeepSeek-AI et al., 2025; Labs, 2025; Team, 2025). # ej. = número de ejemplos utilizados para el ajuste fino de razonamiento; BF = forzado de presupuesto. Véase §A\S \mathrm{A} para nuestro mejor modelo s1.1.
Qwen2.5-32B-Instruct
N.A.26.784.0QwQ-32B
N.A.50.090.6r1
≥800K79.897.3r1-distill
800K72.694.3Pesos Abiertos y Datos Abiertos
Sky-T1
17K43.382.4Bespoke-32B
17K63.393.0s1 sin BF
1K50.092.6s1-32B
1K56.793.0
s1 sin Bf⁺ 1K 50.0 92.6 56.6 s1-32B 1K 56.7 93.0 59.6

4.2. Rendimiento

Escalado del cómputo en tiempo de prueba La Figura 1 muestra el rendimiento de s1-32B con budget forcing a medida que escala con más cómputo en tiempo de prueba. En la Figura 4 (izquierda), ampliamos el gráfico de la Figura 1 (centro) mostrando que, si bien podemos mejorar el rendimiento en AIME24 usando nuestra técnica de budget forcing (§3) y más cómputo en tiempo de prueba, este eventualmente se aplana a las seis veces. Suprimir el token delimitador de fin de pensamiento con demasiada frecuencia puede llevar al modelo a bucles repetitivos en lugar de continuar razonando. En la Figura 4 (derecha), mostramos que después de entrenar Qwen2.5-32B-Instruct con nuestras 1.000 muestras para producir s1-32B y equiparlo con la simple técnica de budget forcing, este opera en un paradigma de escalado diferente. Escalar el cómputo en tiempo de prueba en el modelo base mediante votación por mayoría no puede alcanzar el rendimiento de s1-32B, lo que valida nuestra intuición de §3 de que el escalado secuencial es más efectivo que el paralelo. Proporcionamos ejemplos de generaciones de s1-32B en la Figura 5.

Eficiencia de muestras En la Figura 2 (derecha) y la Tabla 1 comparamos s1-32B con otros modelos. Encontramos que s1-32B es el modelo de razonamiento con datos abiertos más eficiente en muestras. Rinde significativamente mejor que nuestro modelo base (Qwen2.5-32B-Instruct) a pesar de entrenarlo solo con 1.000 muestras adicionales. El r1-32B publicado simultáneamente muestra un rendimiento más fuerte que s1-32B mientras también usa solo SFT (DeepSeek-AI et al., 2025). Sin embargo, está entrenado con 800×800\times más muestras de razonamiento. Es una pregunta abierta si uno puede lograr su rendimiento con solo 1.000 muestras. Finalmente, nuestro modelo casi iguala a Gemini 2.0 Thinking en AIME24. Como los datos para s1-32B se destilan de Gemini 2.0, esto muestra que nuestro procedimiento de destilación probablemente fue efectivo.

5. Ablaciones

5.1. Cantidad, diversidad y dificultad de los datos

En §2 delineamos nuestros tres principios rectores en la curación de s1K: Calidad, Dificultad y Diversidad. Aquí ponemos a prueba la importancia de combinarlos y la eficacia general de nuestra selección. Solo calidad (1K-random): Después de obtener nuestras cadenas de razonamiento de alta calidad de Gemini, seleccionamos 1.000 muestras al azar; sin depender en absoluto de nuestro filtrado por dificultad y diversidad. La Tabla 2 muestra que este enfoque rinde mucho peor que s1K en todos los benchmarks. Solo diversidad (1K-diverse): Para este conjunto de datos, muestreamos uniformemente entre dominios para maximizar la diversidad, ignorando cualquier noción de dificultad. Este enfoque también conduce a un rendimiento deficiente similar a 1K-random. Solo dificultad (1K-longest): Aquí nos basamos en uno de nuestros indicadores de dificultad introducidos en §2 al seleccionar las 1.000 muestras con las trazas de razonamiento más largas. Este enfoque impulsa significativamente el rendimiento en GPQA, pero en general todavía queda por debajo del uso de s1K. Maximizar la cantidad:

ModeloAIME 2024MATH 500GPQA Diamond
1K-aleatorio36,790,652,0
[-26,7 %, -3,3 %][-4,8 %, 0,0 %][-12,6 %, 2,5 %]
1K-diverso26,791,254,6
[-40,0 %, -10,0 %][-4,0 %, 0,2 %][-10,1 %, 5,1 %]
1K-más largo33,390,459,6
[-36,7 %, 0,0 %][-5,0 %, -0,2 %][-5,1 %, 10,1 %]
59K-completo53,392,858,1
[-13,3 %, 20,0 %][-2,6 %, 2,2 %][-6,6 %, 8,6 %]
s1K50,093,057,6
Tabla 2. Ablaciones de datos de s1K. Forzamos un presupuesto (BF, por sus siglas en inglés) de un máximo de alrededor de 30.000 tokens de razonamiento para todas las puntuaciones de esta tabla. Esto funciona ligeramente mejor que las puntuaciones sin BF (Tabla 1), ya que permite al modelo terminar con su mejor conjetura cuando se queda atascado en un bucle infinito. Reportamos intervalos de confianza bootstrap pareados del 95%95\% para las diferencias relativas al modelo s1K usando 10.000 muestras bootstrap. Por ejemplo, el intervalo [−13%,20%][- 13\% ,20\% ] significa que, con un 95%95\% de confianza, la verdadera diferencia entre 59K-completo y s1K está entre −13%-13\% y +20%+20\% . Si todo el intervalo es negativo, por ejemplo [−27%,−3%][- 27\% , - 3\% ] , podemos afirmar con confianza que el rendimiento es peor que el de s1K.

Finalmente, comparamos con entrenar solo con todas nuestras 59K muestras, un superconjunto de todas las versiones de 1K muestras. Esto conduce a un modelo fuerte pero usa muchos más recursos. Para hacer fine-tuning con 59K muestras, usamos 394 horas de GPU H100, mientras que s1-32B solo requirió 7 horas de GPU H100. Además, depender solo de s1K es extremadamente competitivo, como se muestra en §2. En general, combinar los tres criterios —Calidad, Dificultad, Diversidad— mediante nuestra metodología en §2 es clave para un entrenamiento de razonamiento eficiente en muestras.

5.2. Métodos de escalado en tiempo de prueba

MétodoControlEscaladoRendimiento|A|
BF100%1556.75
TCC40%-2440.05
TCC + BF100%1340.05
SCC60%336.75
SCC + BF100%636.75
CCC50%2536.72
RS100%-3540.05
Tabla 3. Ablaciones sobre métodos para escalar el cómputo en tiempo de prueba en AIME24. ∣A∣|A| se refiere al número de ejecuciones de evaluación utilizadas para estimar las propiedades; por lo tanto, un valor más alto indica mayor robustez. La negrita indica nuestro método elegido y los mejores valores. BF == forzamiento de presupuesto, TCC/SCC/CCC == control por token/paso/condicional a la clase, RS=\mathrm{RS} = muestreo por rechazo.
[AIME24]

Alice y Bob juegan el siguiente juego. Ante ellos hay una pila de nn fichas. Los jugadores se turnan y Alice empieza. En cada turno, el jugador retira 1 ficha o 4 fichas de la pila. Quien retira la última ficha gana. Halla el número de enteros positivos nn menores o iguales que 2024 para los cuales existe una estrategia para Bob que garantiza que Bob ganará el juego independientemente de cómo juegue Alice.

El problema pide el número de enteros positivos n≤2024n\leq 2024 tales que Bob tiene una estrategia ganadora. Este es un juego imparcial típico que se puede analizar usando el teorema de Sprague-Grundy o encontrando directamente las posiciones ganadoras y perdedoras. Sea WW el conjunto de posiciones ganadoras (número de fichas nn tales que el jugador a quien le toca mover puede forzar una victoria) y sea LL el conjunto de posiciones perdedoras. [...]

Sea P(n)P(n) el enunciado «el jugador a quien le toca mover cuando hay nn fichas tiene una estrategia ganadora». P(0)P(0) es falso (el jugador a quien le toca mover y se enfrenta a 0 fichas ya ha perdido). Consideremos los valores pequeños de nn. .. n=1n = 1: el jugador a quien le toca mover puede tomar 1 ficha y ganar. Así que P(1)P(1) es verdadero. 1∈W1\in W. n=2n = 2: el jugador a quien le toca mover puede tomar 1 ficha, dejando 1 ficha al oponente. Como 1∈W1\in W, el oponente gana. Así que P(2)P(2) es falso. 2∈L2\in L. n=3n = 3: el jugador a quien le toca mover puede tomar 1 ficha, dejando 2 fichas al oponente. Como 2∈L2\in L, el jugador a quien le toca mover gana. Así que P(3)P(3) es verdadero. 3∈3\in WW ...]

Buscamos el número de enteros positivos n≤2024n\leq 2024 para los cuales Bob tiene una estrategia ganadora. Esto significa que si el juego empieza con nn fichas y Alice mueve primero, Bob puede ganar. Esto ocurre si y solo si nn es una posición perdedora (porque si n∈Ln\in L, entonces el primer movimiento de Alice debe llevar a una posición ganadora para Bob). [...]

Intentemos encontrar un patrón en las posiciones perdedoras L={0,2,5,7,10,12,15,17,20,22,…}L = \{0,2,5,7,10,12,15,17,20,22,\ldots \}. Diferencias entre términos consecutivos: 2,3,2,3,2,3,2,3,2, ... El patrón de diferencias es 2,3 alternados. [...] Las posiciones perdedoras son de la forma 5m5m o 5m+25m + 2, donde m≥0m\geq 0. Necesitamos hallar el número de enteros positivos n≤2024n\leq 2024 que están en el conjunto de posiciones perdedoras LL ...]

Caso 1: n=5mn = 5m, donde 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. Como mm es un entero, 1≤m≤4041\leq m\leq 404. El número de valores de mm es 404. Caso 2: n=5m+2n = 5m + 2, donde m≥0m\geq 0. 5m+2≤20245m + 2\leq 2024, 5m\leq 2022\), \(m\leq 2022 / 5 = 404.4. Como mm es un entero, 0≤m≤4040\leq m\leq 404. El número de valores de mm es 404−0+1=405404 - 0 + 1 = 405.

El número total de enteros positivos n≤2024n\leq 2024 que son posiciones perdedoras es 404+405=809404 + 405 = \boxed{809}.

[MATH500]

Halla la proyección de aa sobre b=b = (26)\binom{2}{6} si a⋅b=8a\cdot b = 8.

La proyección del vector a\mathbf{a} sobre el vector b\mathbf{b} viene dada por la fórmula:

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

Se nos da b=(26)\mathbf{b} = \binom{2}{6} y a⋅b=8\mathbf{a}\cdot \mathbf{b} = 8.

Primero, necesitamos hallar el cuadrado de la magnitud de b\mathbf{b}, que es ∥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)

Ahora podemos sustituir los valores en la fórmula de la proyección:

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

Sustituye el vector b\mathbf{b}:

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

Multiplica el escalar por cada componente del vector:

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

Respuesta final: La respuesta final es

Una partícula mecánico-cuántica de masa mm se mueve en dos dimensiones en el siguiente potencial, como función de las coordenadas polares (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)

Halla el espectro de energía. Sugerencia: escribe el potencial en coordenadas cartesianas.

El problema pide el espectro de energía de una partícula en un potencial 2D dado. El potencial viene dado en coordenadas polares (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)

Podemos reescribir el potencial como:

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

El hamiltoniano para una partícula en 2D viene dado por:

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).

En coordenadas polares (r,θ)(r,\theta), el operador laplaciano es:

∇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}}.

Por lo tanto, el hamiltoniano en coordenadas polares es:

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).

La ecuación de Schrödinger independiente del tiempo es Hψ=EψH\psi = E\psi. Podemos intentar separar variables suponiendo una solución de la forma ψ(r,θ)=R(r)Θ(θ)\psi (r,\theta) = R(r)\Theta (\theta). [...]

Esto confirma que el espectro de energía es:

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

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

Forzamiento de presupuesto En la Tabla 3 comparamos los métodos de escalado en tiempo de prueba que hemos introducido en §3\S 3. En general, encontramos que el forzamiento de presupuesto proporciona un control perfecto, un buen escalado y conduce a nuestra mejor puntuación en AIME24. Por lo tanto, este es el método que utilizamos para s1-32B en la Figura 1 y en §4\S 4. En la Tabla 4, comparamos diferentes cadenas para extrapolar el rendimiento. Encontramos que «Wait» generalmente da el mejor rendimiento.

Control condicionado por clase Proporcionamos puntuaciones de referencia para este método en §E.1\S \mathrm{E}.1 y resumimos tres hallazgos aquí: (1) El control condicionado por token falla sin forzamiento de presupuesto, ya que nuestro modelo no puede contar tokens de manera fiable, incluso cuando se le entrena para hacerlo. (2) Bajo el control condicionado por paso, el modelo genera un número total de tokens similar cuando se le dan diferentes objetivos de pasos, ya que el modelo pasa de pocos pasos con muchos tokens por paso, a muchos pasos con pocos tokens en cada paso. Así, el modelo aprende a eludir la restricción de cómputo, lo que hace que la controlabilidad de este método sea mediocre. (3) El control condicionado por clase puede funcionar: decirle a un modelo que simplemente piense durante más tiempo puede aumentar su cómputo en tiempo de prueba y su rendimiento, lo que da lugar a un buen escalado en la Tabla 3.

ModeloAIMEMATHGPQA
2024500Diamond
Sin extrapolación50,093,057,6
2x sin cadena50,090,255,1
2x «Alternatively»50,092,259,6
2x «Hmm»50,093,059,6
2x «Wait»53,393,059,6
Tabla 4. Ablaciones de extrapolación con forzado de presupuesto. Comparamos ignorar el delimitador de fin de pensamiento dos veces y añadir ninguna cadena o diversas cadenas.

Muestreo por rechazo Sorprendentemente, encontramos que simplemente muestrear hasta que la generación se ajuste a una longitud específica conduce a una tendencia de escalado inversa, como se muestra en la Figura 6. En §E.2\S \mathrm{E}.2 inspeccionamos una pregunta que el modelo respondió correctamente al hacer muestreo por rechazo para ≤4000\leq 4000, pero no para la configuración de ≤8000\leq 8000 tokens. En la configuración de ≤4000\leq 4000, el modelo salta directamente al enfoque correcto, mientras que en la configuración de ≤8000\leq 8000 retrocede mucho. Hipotetizamos que existe una correlación tal que las generaciones más cortas tienden a ser aquellas en las que el modelo iba por el buen camino desde el principio, mientras que las más largas tienden a ser aquellas en las que el modelo cometió errores y, por tanto, retrocede o se cuestiona a sí mismo. Esto hace que las muestras más largas a menudo sean incorrectas al aplicar muestreo por rechazo y, por tanto, que se produzca la tendencia de escalado inversa.

6. Discusión y trabajo relacionado

6.1. Razonamiento eficiente en muestras

Modelos Existen varios esfuerzos concurrentes para construir modelos que repliquen el rendimiento de o1 (OpenAI, 2024). Por ejemplo, DeepSeek-r1 y k1.5 (DeepSeek-AI et al., 2025; Team et al., 2025) se construyen con métodos de aprendizaje por refuerzo, mientras que otros dependen de SFT usando decenas de miles de ejemplos destilados (Team, 2025; Xu et al., 2025; Labs, 2025). Mostramos que el SFT con solo 1.000 ejemplos basta para construir un modelo de razonamiento competitivo que iguala a o1-preview y produce un modelo que se sitúa en la frontera de Pareto (Figura 2). Además, introducimos el forzamiento de presupuesto que, combinado con nuestro modelo de razonamiento, conduce a la primera reproducción de las curvas de escalado en tiempo de prueba de OpenAI (OpenAI, 2024). ¿Por qué el ajuste fino supervisado con solo 1.000 muestras conduce a tales mejoras de rendimiento? Hipotetizamos que el modelo ya está expuesto a grandes cantidades de datos de razonamiento durante el preentrenamiento, que abarca billones de tokens. Así, la capacidad de realizar razonamiento ya está presente en nuestro modelo. Nuestra etapa de ajuste fino eficiente en muestras simplemente la activa y la escalamos más en tiempo de prueba con forzamiento de presupuesto. Esto es similar a la «Hipótesis de Alineación Superficial» presentada en LIMA (Zhou et al., 2023), donde los autores encuentran que 1.000 ejemplos pueden ser suficientes para alinear un modelo para que se adhiera a las preferencias del usuario.

Figura 6. Muestreo por rechazo en AIME24 con s1-32B. Muestreamos con una temperatura de 1 hasta que todas las generaciones tengan menos de (de izquierda a derecha) 3500, 4000, 5000, 8000 y 16000 tokens de pensamiento, lo que requiere un promedio de 655, 97, 8, 3, 2 y 1 intentos por muestra.
Figura 6. Muestreo por rechazo en AIME24 con s1-32B. Muestreamos con una temperatura de 1 hasta que todas las generaciones tengan menos de (de izquierda a derecha) 3500, 4000, 5000, 8000 y 16000 tokens de pensamiento, lo que requiere un promedio de 655, 97, 8, 3, 2 y 1 intentos por muestra.

Referencias y métodos Para evaluar y ampliar los límites de estos modelos, se han introducido referencias cada vez más desafiantes, como competiciones científicas de nivel olímpico (He et al., 2024; Jain et al., 2024; Zhong et al., 2023) y otras (Srivastava et al., 2023; Glazer et al., 2024; Su et al., 2024; Kim et al., 2024; Phan et al., 2025). Para mejorar el rendimiento de los modelos en tareas relacionadas con el razonamiento, los investigadores han seguido varias estrategias: trabajos previos han explorado el entrenamiento continuado de modelos de lenguaje con corpus especializados relacionados con las matemáticas y las ciencias (Azerbayev et al., 2023; Yang et al., 2024), en ocasiones incluso con datos generados sintéticamente (Yu et al., 2024). Otros han desarrollado metodologías de entrenamiento orientadas específicamente al rendimiento en razonamiento (Zelikman et al., 2022; 2024; Luo et al., 2025; Yuan et al., 2025; Wu et al., 2024a). Otra línea de trabajo significativa se centra en métodos basados en prompting para elicitar y mejorar las capacidades de razonamiento, incluidos métodos como el prompting de Cadena de Pensamiento (Chain-of-Thought) (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). Estos esfuerzos combinados tienen como objetivo avanzar en la capacidad de razonamiento de los modelos de lenguaje, permitiéndoles manejar de manera efectiva tareas más complejas y abstractas.

6.2. Escalado en tiempo de prueba

Métodos Como presentamos en §3\S 3, diferenciamos dos métodos para escalar el cómputo en tiempo de prueba: paralelo y secuencial. El primero se basa en múltiples intentos de solución generados en paralelo y en la selección del mejor resultado mediante criterios específicos. Estos criterios incluyen elegir la respuesta más frecuente para el voto por mayoría o la mejor respuesta según una recompensa externa para Best-of-N (Brown et al., 2024; Irvine et al., 2023; Levi, 2024). A diferencia del muestreo repetido, los métodos de escalado secuencial previos permiten al modelo generar intentos de solución secuencialmente basándose en intentos anteriores, lo que le permite refinar cada intento a partir de los resultados previos (Snell et al., 2024; Hou et al., 2025; Lee et al., 2025). Los métodos de búsqueda basados en árboles (Gandhi et al., 2024; Wu et al., 2024b) ofrecen un enfoque híbrido entre el escalado secuencial y el paralelo, como la Búsqueda de Árbol de Montecarlo (MCTS) (Liu et al., 2024; Zhang et al., 2023; Zhou et al., 2024; Choi et al., 2023) y la búsqueda por haz guiada (Xie et al., 2023). REBASE (Wu et al., 2024b) emplea un modelo de recompensa de proceso para equilibrar la explotación y la poda durante la búsqueda en árbol. Empíricamente, se ha demostrado que REBASE supera a los métodos basados en muestreo y a MCTS (Wu et al., 2024b). Los modelos de recompensa (Lightman et al., 2023; Wang et al., 2024b;c) desempeñan un papel clave en estos métodos. Existen en dos variantes: modelos de recompensa de resultado y modelos de recompensa de proceso. Los modelos de recompensa de resultado (Xin et al., 2024; Ankner et al., 2024) asignan una puntuación a soluciones completas y son particularmente útiles en la selección Best-of-N, mientras que los modelos de recompensa de proceso (Lightman et al., 2023; Wang et al., 2024b; Wu et al., 2024b) evalúan pasos de razonamiento individuales y son eficaces para guiar métodos de búsqueda basados en árboles.

Límites para seguir escalando en tiempo de prueba Hemos mostrado que el forzamiento de presupuesto permite extrapolar el cómputo en tiempo de prueba en §4\S 4, por ejemplo, mejorando el rendimiento en AIME24 del 50%50\% al 57%57\%. Sin embargo, tiene dos limitaciones clave al escalar más: finalmente se aplana (Figura 4), y la ventana de contexto del modelo de lenguaje subyacente lo restringe. A pesar de estas restricciones, nuestro trabajo muestra el escalado en tiempo de prueba en un amplio rango de precisiones (Figura 1), en parte porque reducir el cómputo en tiempo de prueba se comporta de manera predecible y no sufre estas restricciones.

Continuar el escalado en tiempo de prueba requerirá enfoques que puedan extrapolar aún más el cómputo en tiempo de prueba. ¿Cómo podemos lograr

Figura 7. Escalado adicional con métodos de escalado paralelo. Todas las métricas promediadas sobre las 30 preguntas de AIME24. Los tokens de pensamiento promedio para REBASE no tienen en cuenta el cómputo adicional del modelo de recompensa. Para el escalado secuencial, solicitamos al modelo que utilice hasta (de izquierda a derecha) 32, 64, 256 y 512 pasos. Para REBASE y la votación por mayoría, generamos 16 trayectorias paralelas para agregar entre ellas.
Figura 7. Escalado adicional con métodos de escalado paralelo. Todas las métricas promediadas sobre las 30 preguntas de AIME24. Los tokens de pensamiento promedio para REBASE no tienen en cuenta el cómputo adicional del modelo de recompensa. Para el escalado secuencial, solicitamos al modelo que utilice hasta (de izquierda a derecha) 32, 64, 256 y 512 pasos. Para REBASE y la votación por mayoría, generamos 16 trayectorias paralelas para agregar entre ellas.

tal extrapolación? Puede haber mejoras al forzamiento de presupuesto, como rotar entre diferentes cadenas, no solo "Wait", o combinarlo con penalizaciones de frecuencia o una temperatura más alta para evitar bucles repetitivos. Una dirección emocionante para trabajo futuro es también investigar si aplicar el forzamiento de presupuesto a un modelo de razonamiento entrenado con aprendizaje por refuerzo produce una mejor extrapolación; o si el RL permite nuevas formas de escalado en tiempo de prueba más allá del forzamiento de presupuesto. Nuestro trabajo define las métricas correctas ( §3.2\S 3.2 ) –Control, Escalado y Rendimiento– para permitir investigación y progreso futuros en la extrapolación del cómputo en tiempo de prueba.

El escalado paralelo como solución El escalado paralelo ofrece una solución a los límites del escalado secuencial, por lo que aumentamos nuestro modelo escalado secuencialmente con dos métodos: (I) Voto por mayoría: después de generar kk soluciones, la solución final es la más frecuente entre las generaciones; (II) Búsqueda en árbol mediante REBASE: usamos el modelo de recompensa de proceso REBASE, que se inicializa a partir de LLaMA-34B y se ajusta finamente sobre un conjunto de datos sintético de modelado de recompensa de proceso (Wu et al., 2024b). Luego agregamos las soluciones generadas por REBASE mediante voto por mayoría. Como se muestra en la Figura 7, aumentar nuestro modelo con REBASE escala mejor que el voto por mayoría, e incluso que el escalado secuencial en este escenario. Sin embargo, REBASE requiere un pase hacia adelante adicional en cada paso para el modelo de recompensa, lo que añade cierta sobrecarga computacional. Para el escalado secuencial, cuando se le indica que use hasta 512 pasos, en 12 de las 30 preguntas de evaluación el modelo genera una respuesta que excede la ventana de contexto, lo que provoca una gran caída del rendimiento. En general, encontramos que estos métodos de escalado paralelo complementan el escalado secuencial, por lo que ofrecen una vía para escalar aún más el cómputo en tiempo de prueba; más allá de ventanas de contexto fijas.

Declaración de impacto

Declaración de impactoLos modelos de lenguaje con sólidas capacidades de razonamiento tienen el potencial de mejorar enormemente la productividad humana, desde ayudar en la toma de decisiones complejas hasta impulsar avances científicos. Sin embargo, los avances recientes en razonamiento, como o1 de OpenAI y r1 de DeepSeek, carecen de transparencia, lo que limita un progreso de investigación más amplio. Nuestro trabajo tiene como objetivo impulsar la frontera del razonamiento de manera totalmente abierta, fomentando la innovación y la colaboración para acelerar avances que en última instancia beneficien a la sociedad.

Agradecimientos

AgradecimientosAgradecemos a Ryan Marten por generar trazas a partir de DeepSeek r1 para s1.1 usando Bespoke Curator (Marten et al., 2025). Este trabajo se realizó en parte utilizando el clúster de GPU Stanford Marlowe (Kapfer et al., 2025), posible gracias al apoyo financiero de la Universidad de Stanford. Agradecemos a 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 y Yue Zhang por discusiones muy constructivas.

Referencias

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., and 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., and 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), December 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. y 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. Consultado: 2025- 01- 22.

Lee, K.- H., Fischer, I., Wu, Y.- H., Marwood, D., Baluja, S., Schuurmans, D. y 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. y 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. y Cobbe, K. Let's verify step by step, 2023. URL https://arxiv.org/abs/2305.20050.

Ling, W., Yogatama, D., Dyer, C. y 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. y 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. y 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. y 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. y 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. y Sathiamoorthy, M. Curator: A tool for synthetic data creation. https://github.com/bespokelabsai/curator, enero de 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. y Hajishirzi, H. Olmoe: Open mixture- of- experts language models, 2024. URL https://arxiv.org/abs/2409.02060.

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

OpenAI. Learning to reason with llms, septiembre de 2024. URL https://openai.com/index/learning- to- reason- with- llms/.

OpenAI. Openai o3- mini, 2025. URL https://openai.com/index/openai- o3- mini/. Consultado: 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. y 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. y 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. y 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. y Yao, S. Can language models solve olympiad programming?, 2024. URL https://arxiv.org/abs/2404.10952.

Snell, C., Lee, J., Xu, K. y 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. y 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. y 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. y 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\(presupuesto, 2025. URL https://novasky- ai.github.io/posts/sky- tl. Consultado: 2025- 01- 09.

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

Wang, J., Meng, F., Liang, Y. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y 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. y Liu, P. Limo: Less is more for reasoning, 2025a. URL https://arxiv.org/abs/2502.03387. Ye, Y., Xiao, Y., Mi, T. y Liu, P. Aime-preview: A rigorous and immediate evaluation framework for advanced mathematical reasoning. https://github.com/GAIR-NLP/AIME-Preview, 2025b. Repositorio de GitHub.

Yu, L., Jiang, W., Shi, H., Yu, J., Liu, Z., Zhang, Y., Kwok, J. T., Li, Z., Weller, A., y 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., y 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., y 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., y Goodman, N. D. Quiet-star: Language models can teach themselves to think before speaking, 2024. URL https://arxiv.org/abs/2403.09629. Zhang, H. y 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., y 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., y Sang, J. ol-coder: an ol replication for coding, 2024a. URL https://arxiv.org/abs/2412.00154. Zhang, Y., Yang, J., Yuan, Y., y 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., y 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., y 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., y 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., y Levy, O. Lima: Less is more for alignment, 2023. URL https://arxiv.org/abs/2305.11206.

Contenido

1 Introducción 1

2 Curación de datos de razonamiento para crear s1K 2

2.1 Colección inicial de 59K muestras 2

2.2 Selección final de 1K muestras 2

3 Escalado en tiempo de prueba 3

3.1 Método 3

3.2 Métricas 4

4 Resultados 4

4.1 Configuración 4

4.2 Rendimiento 6

5 Ablaciones 6

5.1 Cantidad, diversidad y dificultad de los datos 6

5.2 Métodos de escalado en tiempo de prueba 6

6 Discusión y trabajo relacionado 8

6.1 Razonamiento eficiente en muestras 8

6.2 Escalado en tiempo de prueba 9

A s1.1 16

B Determinismo de la evaluación 16

C Detalles de s1K 17

C.1 Resumen de s1K 17

C.2 Composición del conjunto de datos para las 59K preguntas completas 17

C.3 Indicación de calificación de s1K 19

C.4 Selección de diversidad de s1K 19

C.5 Descontaminación 19

D Detalles de entrenamiento 21

D.1 Ablaciones de entrenamiento: longitud de secuencia 21

D.2 Muestras de entrenamiento 21

E Detalles del escalado en tiempo de prueba 35

E.1 Ablaciones de escalado secuencial 35

E.2 Ejemplos para la ablación de muestreo por rechazo 37

F Control de versiones 46

A. s1.1

A. s1.1Siete días después de nuestro lanzamiento de s1, lanzamos s1.1. Regeneramos las trazas para nuestras 1,000 muestras en s1K usando DeepSeek r1 (DeepSeek-AI et al., 2025) para crear s1K-1.1. Usamos el mismo procedimiento de entrenamiento para entrenar nuestro modelo s1.1. Otras actualizaciones desde nuestro lanzamiento incluyen el lanzamiento de o3 (OpenAI, 2025), LIMO (Ye et al., 2025a) y AIME 2025. Consideramos todos estos nuevos desarrollos en la Tabla 5. Encontramos que s1.1 se desempeña significativamente mejor que s1. También intentamos destilar de Claude 3.7, lo que llevó a un rendimiento peor que el de r1 (no reportado).

ModeloEjemplosMATH500GPQAAIME 2024AIME 2025
Solo 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
Pesos abiertos
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
Pesos abiertos y datos abiertos
LIMO81794.866.756.344.6
s1 sin BF1K92,656,650,026,7
s1 con Budget Forcing «Wait» 1x1K92,859,653,330,0
s1 con Budget Forcing «Wait» 2x1K93,059,653,333,3
s1 con Budget Forcing «Wait» 4x1K92,258,656,736,7
s1.1 sin BF1K94,460,656,750,0
s1.1 con Budget Forcing «Wait» 1x1K95,462,656,750,0
s1.1 con Budget Forcing «Wait» 2x1K95,463,656,750,0
Tabla 5. s1-32B es un modelo de razonamiento abierto y eficiente en muestras. Evaluamos s1-32B, Qwen y Gemini (algunas entradas son desconocidas (N.A.), véase §4\S 4 ). Los demás resultados provienen de los respectivos informes (Qwen et al., 2024; Team, 2024; OpenAI, 2024; 2025; DeepSeek-AI et al., 2025; Labs, 2025; Team, 2025) excepto AIME 2025 (Ye et al., 2025b). # ej. == número de ejemplos utilizados para el ajuste fino de razonamiento; BF=\mathrm{BF} = budget forcing.

B. Determinismo de la evaluación

Ejecutamos nuestras evaluaciones usando vLLM (Kwon et al., 2023), ya que es más rápido que las alternativas que probamos. Sin embargo, encontramos que incluso cuando se usan las mismas semillas aleatorias y muestreo voraz, las puntuaciones de evaluación pueden cambiar significativamente entre ejecuciones:

Diferentes tamaños de lote causan resultados diferentes, véase https://github.com/vllm-project/vllm/issues/5898 Generaciones continuas causan resultados diferentes, véase https://github.com/vllm-project/vllm/issues/11783 Cambios en el paralelismo de tensores causan resultados diferentes

Como nuestro modelo genera largas trazas de razonamiento antes de su respuesta, pequeños cambios numéricos pueden multiplicarse hasta producir grandes diferencias. Encontramos muchas generaciones que son exactamente iguales durante miles de tokens y luego de repente difieren en un token, terminando finalmente con una respuesta completamente diferente. Para contrarrestar en parte este problema, generalmente ejecutamos nuestras evaluaciones finales usando precisión completa, a menos que se indique lo contrario.

- .

C. Detalles de s1K

C.1. Resumen de s1K

Dominio#preguntasRecuento total de tokensPalabras clave
Geometría109560,2KÁrea, Triángulo, Distancia
Teoría de números98522,5KSucesiones, Divisibilidad
Combinatoria75384,7KPermutaciones, Conteo
Funciones reales43234,8KTrigonometría, Cálculo
Biología41120,9KReacciones orgánicas
Funciones complejas32170,2KRaíces complejas
Teoría cuántica32127,9KPartículas, Funciones de onda
Teoría de campos28150,1KPolinomios, Raíces
Cálculo de variaciones28155,5KOptimización, Control
Ecuaciones en diferencias24132,5KRecurrencia, Recursión
Teoría electromagnética2395,8KÓptica, Ondas, Difracción
Teoría de grupos22100,0KGrupos, Automorfismos
Álgebra lineal22128,3KMatrices, Determinantes
Teoría de la probabilidad20114,6KCamino aleatorio, Esperanza
Sistemas algebraicos19109,9KEcuaciones funcionales
Mecánica19103,6KFuerzas, movimiento, energía
Termodinámica1974,2KMáquinas térmicas, entropía
Ecuaciones diferenciales1889,6KSustitución, existencia
Ciencias de la computación1834,2KTeoría de la complejidad, algoritmos
Análisis numérico1876,5KAnálisis de errores, estabilidad
Cálculo1796,3KConvergencia, sumación
Estructuras algebraicas1790,4KDesigualdades, conjuntos
Astronomía1637,7KPoblaciones estelares, órbitas
27 dominios restantes242982,2KDominios con ≤ 16 preguntas
Todos los dominios (51)10004,7Ms1K
Tabla 6. Resumen de nuestro conjunto de datos s1K. El recuento de tokens se mide con el tokenizador Qwen-2.5. Pedimos a Claude que produzca palabras clave dadas varias preguntas del dominio.

C.2. Composición del conjunto de datos para las 59K preguntas completas

FuenteDescripciónn.º de muestrasLongitud media del razonamiento
NuminaMATH (LI et al., 2024)Problemas de matemáticas de sitios web306604,1K
MATH (Hendrycks et al., 2021)Problemas de matemáticas de competiciones119992,9K
OlympicArena (Huang et al., 2024a)Preguntas de olimpiadas de Astronomía, Biología, Química, Informática, Geografía, Matemáticas y Física42503,2K
OmniMath (Gao et al., 2024a)Problemas de matemáticas de competiciones42384,4K
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)Problemas de inglés, derecho, lógica y matemáticas de los exámenes SAT, LSAT y otros23851,2K
xwordCrucigramas9990,7K
OlympiadBench (He et al., 2024)Preguntas de olimpiadas de Matemáticas y Física8963,9K
AIME (1983-2021)American Invitational Mathematics Examination8904,7K
TheoremQA (Chen et al., 2023)Preguntas de nivel universitario de Informática, Finanzas, Matemáticas y Física relacionadas con teoremas7472,1K
USACO (Shi et al., 2024)Problemas de código de la USA Computing Olympiad5193,6K
JEEBench (Arora et al., 2023)Problemas de Química, Matemáticas y Física utilizados en el examen de acceso a la universidad del Instituto Indio de Tecnología5152,9K
GPQA (Rein et al., 2023)Preguntas científicas de nivel de doctorado3482,9K
SciEval (Sun et al., 2024)Problemas de Biología, Química y Física de diversas fuentes2270,7K
s1-probExámenes de calificación de estadística de Stanford1824,0K
LiveCodeBench (Jain et al., 2024)Problemas de código de sitios web de programación (LeetCode, AtCoder y CodeForces)1513,5K
s1-teasersAcertijos matemáticos extraídos de Internet234.1K
Las 59K preguntas completasComposición de los conjuntos de datos anteriores con trazas de razonamiento y soluciones590293.6K
Tabla 7. Composición de las 59K preguntas completas. Las longitudes de pensamiento y respuesta se miden en tokens utilizando el tokenizador Qwen2.5-32B-Instruct (Qwen et al., 2024). Además de excluir nuestro benchmark de evaluación, AIME24, también excluimos las preguntas de AIME de 2022-2023, ya que utilizamos estas 90 preguntas durante nuestra etapa de desarrollo de s1-32B.

C.3. Indicación de calificación de s1K

Para calificar si un ejemplo es correcto para nuestra selección de conjunto de datos en §2\S 2, usamos la indicación de la Figura 8. Calificamos usando Claude 3.5, excepto la corrección entre las 1,000 muestras finales, que calificamos con Claude 3.7.

Eres un asistente de IA para calificar un problema de ciencias. El usuario te proporcionará la pregunta en sí, un intento realizado por un estudiante y la respuesta correcta al problema. Tu trabajo es juzgar si el intento es correcto comparándolo con la respuesta correcta. Si la solución esperada concluye con un número o una opción, no debe haber ambigüedad. Si la solución esperada implica recorrer todo el proceso de razonamiento, debes juzgar el intento en función de si el proceso de razonamiento es correcto con la respuesta correcta, si es útil.

El usuario proporcionará el intento y la respuesta correcta en el siguiente formato:

Problema {problem}

Intento {attempt}

Respuesta correcta {solution}

Explica tu razonamiento y termina tu respuesta en una nueva línea con solo "Yes" o "No" (sin comillas).

C.4. Selección de diversidad de s1K

El algoritmo 1 proporciona nuestro algoritmo para seleccionar datos en nuestra etapa de selección por diversidad. Como se mencionó en \(\S 2\), también incluimos muestras de algunos benchmarks específicos que percibimos como de alta calidad. Ninguna de las muestras se solapa con nuestra evaluación final.

C.5. Descontaminación

Filtramos todas las muestras comprobando si hay un solapamiento de 8 gramos entre los ejemplos seleccionados y los benchmarks de evaluación: MATH500, GPTQA Diamond y AIME24. Excluimos las preguntas con un solapamiento de más de 8 gramos.

Algoritmo 1 Muestreo en dos etapas para s1K

1: Entrada: Q≔Q\coloneqq Conjunto de 24.496 preguntas con características 2: Salida: S≔S\coloneqq Conjunto de 1.000 preguntas seleccionadas 3: S←∅S\leftarrow \emptyset Inicializar el conjunto de salida (solo registra elementos únicos) 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: Seleccionar todas las soluciones correctas de AIME/GPQA 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: Seleccionar soluciones correctas de MATH500 con cadenas largas 11: end if 12: end for 13: D←D\gets Todos los dominios disponibles 14: Inicializar el conjunto de dominios 15: while ∣S∣<1000|S|< 1000 do 16: d←d\gets RandomChoice (D)(D) 17: Seleccionar un dominio aleatoriamente 18: Qd←Q_{d}\gets Preguntas del dominio dd 19: Obtener preguntas de este dominio 20: ranks ←\leftarrow RankByThinkingLength (Qd)(Q_{d}) 21: Ordenar por longitud de pensamiento 22: weights ←2−\leftarrow 2^{-} ranks 23: Aplicar ponderación de ley de potencias 24: q←q\gets WeightedSample (Qd(Q_{d} , weights) 25: Muestrear favoreciendo cadenas más largas 26: S←S∪{q}S\gets S\cup \{q\} 27: Añadir la pregunta seleccionada 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: Eliminar los dominios agotados 32: end if 33: end while

D. Detalles de entrenamiento

Tomamos un modelo que ya ha sido preentrenado y ajustado con instrucciones y lo ajustamos aún más para el razonamiento. En concreto, utilizamos Qwen2.5- 32B- Instruct (Qwen et al., 2024), que en tareas matemáticas generalmente iguala o supera al modelo más grande Qwen2.5- 72B- Instruct (Qwen et al., 2024) u otros modelos abiertos (Dubey et al., 2024; Groeneveld et al., 2024; Muennighoff et al., 2024). Usamos delimitadores de tokens para separar la etapa de pensamiento de la etapa de respuesta. Encerramos la etapa de pensamiento con <|im_start|>think y <|im_start|>answer; ambos precedidos y seguidos por un salto de línea. Las muestras de nuestro conjunto de datos están en §D.2\S \mathrm{D}.2. Usamos hiperparámetros básicos de ajuste fino: entrenamos durante 5 épocas con un tamaño de lote de 16 para un total de 315 pasos de gradiente. Entrenamos en precisión bfloat16 con una tasa de aprendizaje de 1e−51e - 5 con calentamiento lineal durante 5%5\% (16 pasos) y luego decaída a 0 durante el resto del entrenamiento (299 pasos) siguiendo un esquema coseno. Usamos el optimizador AdamW (Loshchilov & Hutter, 2019) con β1=0.9\beta_{1} = 0.9, β2=0.95\beta_{2} = 0.95 y decaimiento de peso de 1e−41e - 4. No calculamos la pérdida sobre las preguntas, solo sobre las trazas de razonamiento y las soluciones. Nos aseguramos de que la longitud de secuencia sea suficientemente grande para evitar truncar cualquier muestra; una configuración que analizamos mediante ablación en §D.1\S \mathrm{D}.1. El entrenamiento tarda solo 26 minutos en 16 GPU NVIDIA H100.

Figura 9. Dinámica de entrenamiento de s1-32B en s1K.

D.1. Ablaciones de entrenamiento: longitud de secuencia

Contexto de solo lectura para comprender la fuente (no es texto fuente que deba traducirse): D.1. Ablaciones de entrenamiento: Longitud de secuencia Tabla 8. Ablación de longitud de secuencia de entrenamiento. Reportamos "precisión / promedio de tokens de pensamiento por muestra"; cuanto mayor es la precisión y menores son los tokens de pensamiento (coste de inferencia), mejor. Texto a traducir: Modelo AModelo B
Longitud de secuencia de entrenamiento409632768
% de muestras de entrenamiento truncadas74%0%
AIME2430.0% / 2072150.0% / 6984
MATH50090.0% / 532491.0% / 3268
GPQA52.5% / 684153.0% / 3568

Tabla 8. Ablación de la longitud de secuencia de entrenamiento. Reportamos "precisión / promedio de tokens de pensamiento por muestra"; cuanto mayor sea la precisión y menores sean los tokens de pensamiento (costo de inferencia), mejor.

Además de nuestras ablaciones de escalado en §5.2\S 5.2, el principal hiperparámetro de entrenamiento que ablacionamos es la longitud de secuencia utilizada durante el entrenamiento. Encontramos que una longitud de secuencia de entrenamiento más corta conduce a trazas de razonamiento más largas en el momento de la prueba. Esto se debe a que, al entrenar con una longitud de secuencia más corta, la sección de respuesta de la muestra de entrenamiento se corta con mayor frecuencia. Inversamente, cuando la longitud de secuencia de entrenamiento es más larga, más muestras aparecen en su totalidad con la sección donde el modelo responde. Por lo tanto, el modelo recibe más actualizaciones de gradiente en las que aprende a generar una respuesta siguiendo su cadena. Esto, a su vez, conduce a una mayor probabilidad logarítmica de la sección de respuesta en cualquier punto durante la generación y, por ende, a trazas de razonamiento más cortas en el momento de la prueba. En términos de rendimiento, también encontramos que el modelo entrenado con una longitud de secuencia más larga se desempeña mejor. Por lo tanto, optamos por la longitud de secuencia de entrenamiento más larga, ya que conduce a un mejor rendimiento y hace que la inferencia sea más eficiente al generar trazas de razonamiento más cortas.

D.2. Muestras de entrenamiento

La Tabla 9, la Tabla 10 y la Tabla 11 contienen muestras de entrenamiento de s1K.

Tabla 9. Muestra de s1K proveniente de s1-prob. El texto negro es la pregunta y el texto amarillo es la solución. Basándonos únicamente en la pregunta, generamos la traza de razonamiento en azul claro y la respuesta en azul con Gemini, que utilizamos para el entrenamiento.

Se dan variables aleatorias integrables X,Y0X,Y_{0} y Z0Z_{0} en el mismo espacio de probabilidad (Ω,F,P)(\Omega ,\mathcal{F},\mathbb{P}), y dos σ\sigma-álgebras A⊂F,B⊂F\mathcal{A}\subset \mathcal{F},\mathcal{B}\subset \mathcal{F}. Para k=1,2,…k = 1,2,\ldots, sea

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) Demuestre que existen variables aleatorias integrables Y∞Y_{\infty} y Z∞Z_{\infty} tales que, cuando n→∞n\to \infty, tanto E[∣Yn−Y∞∣]→0\mathbb{E}[|Y_{n} - Y_{\infty}|]\to 0 como E[∣Zn−Z∞∣]→0\mathbb{E}[|Z_{n} - Z_{\infty}|]\to 0. (b) Demuestre que casi seguramente Y∞=Z∞Y_{\infty} = Z_{\infty}.

1. Introduzcamos las notaciones, Fn≔σ(A,Z0,…,Zn−1)F_{n}\coloneqq \sigma (\mathcal{A},Z_{0},\ldots ,Z_{n - 1}) y Gn≔σ(B,Y0,…,Yn−1)G_{n}\coloneqq \sigma (B,Y_{0},\ldots ,Y_{n - 1}), para todo n≥1n\geq 1 y F0≔AF_{0}\coloneqq \mathcal{A}, G0≔BG_{0}\coloneqq \mathcal{B}. Claramente, ambas son filtraciones y, por definición, Yn=E[X∣Fn]Y_{n} = \mathbb{E}\left[X|F_{n}\right] y Zn=E[X∣Gn]Z_{n} = \mathbb{E}\left[X|G_{n}\right], para todo n≥0n\geq 0. Así, {Yn}n≥0\left\{Y_{n}\right\}{n\geq 0} (o {Zn}n≥0\left\{Z{n}\right\}{n\geq 0}) es una martingala de Doob con respecto a la filtración {Fn}n≥0\left\{F{n}\right\}{n\geq 0} (o {Gn}n≥0\left\{G{n}\right\}_{n\geq 0}) y, por lo tanto, es U.I., siendo XX integrable. Ahora aplique el hecho de que una martingala es U.I. si y solo si converge en L1L^{1} y concluya.

2. Proporcionamos dos demostraciones diferentes.

1. Observe la siguiente identidad que se deduce de la propiedad de la torre.

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)

Note que 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) y, por el teorema de convergencia hacia arriba de Lévy, 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] donde 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 evidente que Y∞∈mG∞Y_{\infty}\in m G_{\infty} (dado que es el límite casi seguro de Yn∈mGnY_{n}\in m G_{n}) y, por lo tanto, E[Y∞∣G∞]=Y∞\mathbb{E}\left[Y_{\infty}|G_{\infty}\right] = Y_{\infty} casi seguramente. Combinando las observaciones anteriores, concluimos que E[Yn∣Gn]⟶L1Y∞\mathbb{E}\left[Y_{n}|G_{n}\right]\stackrel {L^{1}}{\longrightarrow}Y_{\infty}. De manera similar, E[Zn∣Fn]⟶L1Z∞\mathbb{E}\left[Z_{n}|F_{n}\right]\stackrel {L^{1}}{\longrightarrow}Z_{\infty}. Ahora invoque la ecuación (4) para concluir que Y∞=Z∞Y_{\infty} = Z_{\infty} casi seguramente.

2. Dado que XX es integrable, tenemos, por el teorema de convergencia hacia arriba de Lévy, 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]. De manera similar, Z∞=E[X∣G∞]Z_{\infty} = \mathbb{E}\left[X|G_{\infty}\right]. Por otro lado, en la primera demostración hemos observado que Y∞∈mG∞Y_{\infty}\in m G_{\infty} y, por lo tanto, Y∞∈Y_{\infty}\in mG∞∩mF∞=m(G∞∩F∞)m G_{\infty}\cap m F_{\infty} = m\left(G_{\infty}\cap F_{\infty}\right). Esto produce lo siguiente.

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].

De manera similar, Z∞=E[X∣G∞∩F∞]Z_{\infty} = \mathbb{E}\left[X|G_{\infty}\cap F_{\infty}\right]. Esto demuestra que Y∞=Z∞Y_{\infty} = Z_{\infty} casi seguramente.

Analicemos el problema. Se nos dan dos sucesiones de variables aleatorias YkY_{k} y ZkZ_{k} definidas mediante esperanzas condicionales. Necesitamos demostrar que estas sucesiones convergen en L1L^{1} y que sus límites son iguales casi seguramente.

Parte (a): Convergencia en L1L^{1}.

Las sigma-álgebras involucradas son crecientes:

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})

Para la sucesión 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})]

La sucesión de sigma-álgebras σ(A,Z0,…,Zk−1)\sigma (\mathcal{A},Z_{0},\ldots ,Z_{k - 1}) es creciente. Por el Teorema de Convergencia de Martingalas (para esperanzas condicionales), dado que XX es integrable, la sucesión YkY_{k} converge casi seguramente y en L1L^{1} a E[X∣σ(A,Z0,Z1,…)]\mathbb{E}[X|\sigma (\mathcal{A},Z_{0},Z_{1},\ldots)] . Sea Y∞=E[X∣σ(A,Z0,Z1,…)]Y_{\infty} = \mathbb{E}[X|\sigma (\mathcal{A},Z_{0},Z_{1},\ldots)] .

De manera similar, para la sucesión 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}

La sucesión de sigma-álgebras σ(B,Y0,…,Yk−1)\sigma (B,Y_{0},\ldots ,Y_{k - 1}) es creciente. Por el Teorema de Convergencia de Martingalas, la sucesión ZkZ_{k} converge casi seguramente y en L1L^{1} a E[X∣σ(B,Y0,Y1,…)]\mathbb{E}[X|\sigma (B,Y_{0},Y_{1},\ldots)] . Sea Z∞=E[X∣σ(B,Y0,Y1,…)]Z_{\infty} = \mathbb{E}[X|\sigma (B,Y_{0},Y_{1},\ldots)] .

Parte (b): Demostrar que casi seguramente Y∞=Z∞Y_{\infty} = Z_{\infty} .

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

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

Entonces Y∞=E[X∣Y∞]Y_{\infty} = \mathbb{E}[X|\mathcal{Y}{\infty}] y Z∞=E[X∣Z∞]Z{\infty} = \mathbb{E}[X|Z_{\infty}] .

Considérese 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})] . Dado que Z0=E[X∣B]Z_{0} = \mathbb{E}[X|B] , 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})] . Dado que Y0Y_{0} no está definido, supongamos que Y0Y_{0} y Z0Z_{0} están dados.

Consideremos el sigma-álgebra generado por todos los YiY_{i} y ZiZ_{i} .

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

Tanto YkY_{k} como ZkZ_{k} son medibles con respecto a GG . Por lo tanto, Y∞Y_{\infty} y Z∞Z_{\infty} son medibles con respecto a GG .

Consideremos 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} .

Consideremos 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} .

Sea 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)) .

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

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

Consideremos los sigma-álgebras límite Y∞=σ(A,Z0,Z1,…)\mathcal{Y}{\infty} = \sigma (A,Z{0},Z_{1},\ldots) y Z∞=σ(B,Y0,Y1,…)Z_{\infty} = \sigma (B,Y_{0},Y_{1},\ldots) .

Sabemos que Y∞Y_{\infty} es Y∞\mathcal{Y}{\infty} - medible y Z∞Z{\infty} es Z∞Z_{\infty} - medible.

Sea 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])].

Consideremos el caso en que A\mathcal{A} y BB son independientes. Entonces Y1=E[X∣A]Y_{1} = \mathbb{E}[X|\mathcal{A}] y 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])] .

Consideremos el sigma-álgebra generado por toda la información. Sea F∞=σ(A,B,Y0,Z0,Y1,Z1,…)F_{\infty} = \sigma (A,B,Y_{0},Z_{0},Y_{1},Z_{1},\ldots) .

Entonces tanto Y∞Y_{\infty} como Z∞Z_{\infty} son F∞F_{\infty} - medibles.

Tenemos Y∞=lim⁡n→∞YnY_{\infty} = \lim_{n\to \infty}Y_{n} y Z∞=lim⁡n→∞ZnZ_{\infty} = \lim_{n\to \infty}Z_{n} c.s. y en L1L^{1} .

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

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

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

Intentemos demostrar que tanto Y∞Y_{\infty} como Z∞Z_{\infty} son iguales a E[X∣σ(A∨B)]\mathbb{E}[X|\sigma (A\vee B)] . Esto parece demasiado simple.

Consideremos la definición de esperanza condicional. Para cualquier conjunto A∈Y∞A\in \mathcal{Y}{\infty} , E[Y∞∣A]=E[X∣A]\mathbb{E}[Y{\infty}|{A}] = \mathbb{E}[X|{A}] .

Para cualquier conjunto B∈Z∞B\in \mathcal{Z}{\infty} , E[Z∞∣B]=E[X∣B]\mathbb{E}[Z{\infty}|{B}] = \mathbb{E}[X|{B}] .

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

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

Consideremos el sigma-álgebra σ(A∪B)\sigma (A\cup B) .

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

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

Dado que ZkZ_{k} depende de Yk−1Y_{k - 1} que depende de Zk−2Z_{k - 2} etc., es complejo.

Consideremos el caso en que Y0=E[X∣A]Y_{0} = \mathbb{E}[X|\mathcal{A}] y Z0=E[X∣B]Z_{0} = \mathbb{E}[X|B] .

Entonces 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}.

Si este fuera el caso, entonces Yk=Y0Y_{k} = Y_{0} y Zk=Z0Z_{k} = Z_{0} , por lo que Y∞=Y0Y_{\infty} = Y_{0} y Z∞=Z0Z_{\infty} = Z_{0} .

Necesitamos Y0=Z0Y_{0} = Z_{0} c.s., es decir, E[X∣A]=E[X∣B]\mathbb{E}[X|\mathcal{A}] = \mathbb{E}[X|B] c.s. Esto no es cierto en general.

Considérese la sigma-álgebra generada por todos los YiY_{i} y ZiZ_{i} , denotada por G∞=σ(Y0,Z0,Y1,Z1,…)\mathcal{G}{\infty} = \sigma (Y{0},Z_{0},Y_{1},Z_{1},\ldots) .

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

Z∞=σ(B,Y0,Y1,…)⊆σ(B,G∞)\mathcal{Z}{\infty} = \sigma (B,Y{0},Y_{1},\ldots)\subseteq \sigma (B,G_{\infty}) . Considérese E[X∣A,Z0,Z1,…]=Y∞\mathbb{E}[X|A,Z_{0},Z_{1},\ldots ] = Y_{\infty} . Esto significa que para cualquier A∈σ(A,Z0,Z1,…)A\in \sigma (A,Z_{0},Z_{1},\ldots) E[X1A]=E[Y∞1A]\mathbb{E}[X1_{A}] = \mathbb{E}[Y_{\infty 1_{A}}]

Considérese E[X∣B,Y0,Y1,…]=Z∞\mathbb{E}[X|B,Y_{0},Y_{1},\ldots ] = Z_{\infty} . Esto significa que para cualquier B∈σ(B,Y0,Y1,…)B\in \sigma (B,Y_{0},Y_{1},\ldots) E[X1B]=E[Z∞1B]\mathbb{E}[X1_{B}] = \mathbb{E}[Z_{\infty 1_{B}}]

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

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

Considérese E[Y∞∣B,Y0,Y1,…]=E[E[X∣A,Z0,Z1,…]∣B,Y0,Y1,…]\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 ]

Usemos el hecho de que Y∞Y_{\infty} es σ(A,Z0,Z1,…)\sigma (A,Z_{0},Z_{1},\ldots) - medible y Z∞Z_{\infty} es σ(B,Y0,Y1,…)\sigma (B,Y_{0},Y_{1},\ldots) - medible.

Considérese la sigma-álgebra más pequeña que contiene tanto σ(A,Z0,Z1,…)\sigma (A,Z_{0},Z_{1},\ldots) como σ(B,Y0,Y1,…)\sigma (B,Y_{0},Y_{1},\ldots)

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

Intentemos mostrar que 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}]

Considérese la definición de YkY_{k} y 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}

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

Dado que Y∞Y_{\infty} es medible con respecto a σ(A,Z0,Z1,…)\sigma (A,Z_{0},Z_{1},\ldots) , esto no se simplifica fácilmente.

Supongamos que Y∞≠Z∞Y_{\infty}\neq Z_{\infty} en un conjunto de medida positiva.

Considérese el caso en que AA y BB son triviales.

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

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

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

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

Por las propiedades de la esperanza condicional, 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}]

Considérese la sigma-álgebra DD generada por todas las variables aleatorias involucradas.

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})

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

Considérense los límites. Cuando n→∞n\to \infty 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)

Cuando n→∞n\to \infty 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)

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

Tenemos Y∞=E[X∣Y∞]Y_{\infty} = \mathbb{E}[X|Y_{\infty}] y Z∞=E[X∣Z∞]Z_{\infty} = \mathbb{E}[X|Z_{\infty}]

Considérese 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}]

Considérese la sigma-álgebra C=σ(A∪B)C = \sigma (A\cup B)

Sea W=E[X∣C]W = \mathbb{E}[X|C]

Considérese la sigma-álgebra límite generada por toda la información.

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

Entonces Y∞⊆F∞Y_{\infty}\subseteq F_{\infty} y Z∞⊆F∞Z_{\infty}\subseteq F_{\infty}

Tenemos E[X∣Y∞]=Y∞\mathbb{E}[X|Y_{\infty}] = Y_{\infty} y E[X∣Z∞]=Z∞\mathbb{E}[X|Z_{\infty}] = Z_{\infty}

Considérense E[Y∞∣Z∞]\mathbb{E}[Y_{\infty}|Z_{\infty}] y E[Z∞∣Y∞]\mathbb{E}[Z_{\infty}|Y_{\infty}]

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

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

Considérese la sucesión de pares (Yk,Zk)(Y_{k},Z_{k})

Si los límites son iguales, entonces para cualquier función medible acotada ff , E[f(Y∞)]=E[f(Z∞)]\mathbb{E}[f(Y_{\infty})] = \mathbb{E}[f(Z_{\infty})]

Considérese la sigma-álgebra D=σ(A∪B∪σ(Y0,Z0,…))D = \sigma (A\cup B\cup \sigma (Y_{0},Z_{0},\ldots))

Entonces tanto Y∞Y_{\infty} como Z∞Z_{\infty} son medibles con respecto a DD

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

Sea G=σ(A∪B)G = \sigma (A\cup B)

Considérese W=E[X∣G]W = \mathbb{E}[X|G]

Entonces E[W∣A]=E[X∣A]\mathbb{E}[W|A] = \mathbb{E}[X|A] y E[W∣B]=E[X∣B]\mathbb{E}[W|B] = \mathbb{E}[X|B] Considérese la sigma-álgebra límite L=σ(A∪B∪σ(Y0,Z0,…))\mathcal{L} = \sigma (\mathcal{A} \cup \mathcal{B} \cup \sigma (Y_{0}, Z_{0}, \ldots)) .

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

Sea 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) .

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

Considérese la variable aleatoria XX. Entonces Y∞=lim⁡nE[X∣Fn]Y_{\infty} = \lim_{n} \mathbb{E}[X|\mathcal{F}{n}] y \(Z{\infty} = \lim_{n} \mathbb{E}[X|\mathcal{G}_{n}]\).

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

Considérese E={ω:Y∞(ω)≠Z∞(ω)}E = \{\omega : Y_{\infty}(\omega) \neq Z_{\infty}(\omega)\}. Supóngase que P(E)>0P(E) > 0.

Considérese la esperanza condicional con respecto a la unión de las sigma-álgebras.

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

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

Entonces 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}.

Y 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}.

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

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

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

Entonces 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}.

Y E[E[X∣F∞∨G∞]∣G∞]=E[X∣G∞]=Z∞\mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|G_{\infty}] = \mathbb{E}[X|G_{\infty}] = Z_{\infty}.

Esto significa que Y∞=E[X∣F∞∨G∞]Y_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] c.s. y Z∞=E[X∣F∞∨G∞]Z_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] c.s.

Por lo tanto, Y∞=Z∞Y_{\infty} = Z_{\infty} c.s.

Solución:

(a) Para la sucesión YkY_{k}, las σ\sigma-álgebras Fk=σ(A,Z0,…,Zk−1)\mathcal{F}{k} = \sigma (\mathcal{A}, Z{0}, \ldots , Z_{k - 1}) son crecientes a medida que kk aumenta. Dado que XX es integrable, por el Teorema de Convergencia de Martingalas para esperanzas condicionales, la sucesión Yk=E[X∣Fk]Y_{k} = \mathbb{E}[X|\mathcal{F}{k}] converge casi seguramente y en L1L^{1} a Y∞=E[X∣σ(A,Z0,Z1,…)]Y{\infty} = \mathbb{E}[X|\sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots)]. De manera similar, para la sucesión ZkZ_{k}, las σ\sigma-álgebras Gk=σ(B,Y0,…,Yk−1)G_{k} = \sigma (B, Y_{0}, \ldots , Y_{k - 1}) son crecientes. Dado que XX es integrable, por el Teorema de Convergencia de Martingalas, la sucesión Zk=E[X∣Gk]Z_{k} = \mathbb{E}[X|G_{k}] converge casi seguramente y en L1L^{1} a Z∞=E[X∣σ(B,Y0,Y1,…)]Z_{\infty} = \mathbb{E}[X|\sigma (B, Y_{0}, Y_{1}, \ldots)].

(b) Sean \(\mathcal{F}{\infty} = \sigma (\mathcal{A}, Z{0}, Z_{1}, \ldots)\) y \(G_{\infty} = \sigma (B, Y_{0}, Y_{1}, \ldots)\) . Tenemos \(Y_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty}]\) y \(Z{\infty} = \mathbb{E}[X|G_{\infty}]\) . Consideremos la \(\sigma\) -álgebra \(\mathcal{H} = \mathcal{F}{\infty} \vee G{\infty} = \sigma (\mathcal{A}, B, Y_{0}, Z_{0}, Y_{1}, Z_{1}, \ldots)\) . Consideremos \(W = \mathbb{E}[X|\mathcal{H}]\) .

Tenemos \(\mathcal{F}{\infty} \subseteq \mathcal{H}\) , así que \(\mathbb{E}[W|\mathcal{F}{\infty}] = \mathbb{E}[\mathbb{E}[X|\mathcal{H}]|\mathcal{F}{\infty}] = \mathbb{E}[X|\mathcal{F}{\infty}] = Y_{\infty}\) .

Dado que \(W\) es \(\mathcal{H}\) - medible, \(\mathbb{E}[W|\mathcal{F}{\infty}] = Y{\infty}\) implica que \(Y_{\infty}\) es la esperanza condicional de \(W\) dada \(\mathcal{F}{\infty}\) . Pero como \(Y{\infty}\) ya es \(\mathcal{F}{\infty}\) - medible, tenemos \(\mathbb{E}[W|\mathcal{F}{\infty}] = W\) si \(W\) es \(\mathcal{F}_{\infty}\) - medible, lo cual no es necesariamente cierto.

Sin embargo, sabemos que \(\mathbb{E}[Y_{\infty}|\mathcal{F}{\infty}] = Y{\infty}\) y \(\mathbb{E}[Z_{\infty}|G_{\infty}] = Z_{\infty}\) .

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

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

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

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

Esto implica que \(\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] = Z_{\infty}\) casi seguramente.

Por lo tanto, \(Y_{\infty} = Z_{\infty}\) casi seguramente.

Respuesta final: La respuesta final es \(\left[Y_{\infty} = Z_{\infty}\right]\)

Tabla 10. muestra s1K derivada de s1- teasers. El texto en negro es la pregunta y el texto en amarillo es la solución. Basándonos únicamente en la pregunta, generamos el rastro de razonamiento en azul claro y la respuesta en azul con Gemini, que usamos para el entrenamiento.

Alice y Bob tienen cada uno una moneda y la lanzan hasta que obtienen cara. Si Bob lanzó su moneda más veces que Alice, ¿cuál es el número esperado de veces que Alice lanzó su moneda?

4/3

El problema pide el número esperado de veces que Alice lanzó su moneda, dado que Bob lanzó su moneda más veces que Alice.

Sea \(X\) el número de lanzamientos que hace Alice hasta obtener cara.

Sea \(Y\) el número de lanzamientos que hace Bob hasta obtener cara.

\(X\) e \(Y\) son variables aleatorias independientes que siguen una distribución geométrica con parámetro \(p = 0.5\) (probabilidad de obtener cara).

La función de masa de probabilidad para una distribución geométrica es \(P(K = k) = (1 - p)^{k - 1}p\) , para \(k = 1,2,\ldots\)

En este caso, \(p = 0.5\) , así que \(P(K = k) = (0.5)^{k - 1}(0.5) = (0.5)^{k} = \frac{1}{2^{k}}\) .

Se nos da la condición de que Bob lanzó su moneda más veces que Alice, lo que significa \(Y > X\) .

Queremos encontrar el valor esperado de \(X\) dado que \(Y > X\) , es decir, \(E[X|Y > X]\) .

La fórmula para la esperanza condicional es \(E[X|A] = \sum_{x}xP(X = x|A)\) .

Además, \(P(X = x|A) = \frac{P(X = x\cap A)}{P(A)}\) .

En nuestro caso, \(A\) es el evento \(Y > X\) .

Necesitamos encontrar \(P(Y > X)\) .

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

Dado que \(X\) e \(Y\) son independientes, \(P(X = x,Y = y) = P(X = x)P(Y = y) = \frac{1}{2^{x}}\frac{1}{2^{y}} = \frac{1}{2^{x + y}}\) .

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

La suma interna es una serie geométrica: \(\sum_{y = x + 1}^{\infty}\left(\frac{1}{2}\right)^{y} = \left(\frac{1}{2}\right)^{x + 1} + \left(\frac{1}{2}\right)^{x + 2} + \ldots\)

Esta es una serie geométrica con primer término \(a = \left(\frac{1}{2}\right)^{x + 1}\) y razón común \(r = \frac{1}{2}\) .

La suma es 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} .

Por lo tanto, 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} .

Esta es otra serie geométrica con primer término a=14a = \frac{1}{4} y razón común r=14r = \frac{1}{4} .

La suma es 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} .

Ahora, necesitamos encontrar P(X=x∩Y>X)=P(X=x,Y>x)P(X = x\cap Y > X) = P(X = x,Y > x).

P(X=x,Y>x)=P(X=x)P(Y>x)P(X = x,Y > x) = P(X = x)P(Y > x), debido a la independencia.

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}.

Entonces, 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}.

Ahora, podemos encontrar 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}.

Finalmente, podemos calcular la esperanza condicional:

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}.

Consideremos la serie S=∑x=1∞xrxS = \sum_{x = 1}^{\infty}xr^{x}, donde ∣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

Consideremos la serie geométrica G=1+r+r2+r3+⋯=11−rG = 1 + r + r^{2} + r^{3} + \dots = \frac{1}{1 - r}.

Derivando con respecto a 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}}.

Entonces, Sr=1(1−r)2\frac{S}{r} = \frac{1}{(1 - r)^{2}}, lo que significa S=r(1−r)2S = \frac{r}{(1 - r)^{2}}.

En nuestro caso, 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}.

Por lo tanto, E[X∣Y>X]=3×49=129=43E[X|Y > X] = 3\times \frac{4}{9} = \frac{12}{9} = \frac{4}{3}

Enfoque alternativo: Simetría.

Consideremos los eventos Y>XY > X, X>YX > Y y X=YX = Y.

P(Y>X)=P(X>Y)P(Y > X) = P(X > Y) debido a la simetría.

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}.

Tenemos 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}. Esto confirma nuestro cálculo anterior.

Sea E[X∣Y>X]=μE[X|Y > X] = \mu.

Buscamos el número esperado de lanzamientos que hizo Alice, dado que Bob lanzó más veces.

Consideremos el caso en que el primer lanzamiento de ambos es cruz. Entonces el proceso se reinicia y la condición se mantiene.

Sea A1A_{1} el primer lanzamiento de Alice, B1B_{1} el primer lanzamiento de Bob.

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.

Caso 1: A1=H,B1=H.X=1,Y=1A_{1} = H,B_{1} = H.X = 1,Y = 1, por lo que Y>XY > X es falso.

Caso 2: A1=H,B1=TA_{1} = H,B_{1} = T. Alice se detiene en 1, Bob continúa. Y>1Y > 1

Caso 3: A1=T,B1=HA_{1} = T,B_{1} = H. Bob se detiene en 1, Alice continúa.

Caso 4: A1=T,B1=TA_{1} = T,B_{1} = T. Ambos continúan.

Consideremos las probabilidades condicionales dado Y>XY > X.

Sea E=E[X∣Y>X]E = E[X|Y > X].

Si los primeros lanzamientos son HH, la condición Y>XY > X no se cumple.

Si los primeros lanzamientos son HT, el número de lanzamientos de Alice es 1.

Si los primeros lanzamientos son TH, el número de lanzamientos de Bob es 1, el de Alice es al menos 2, por lo que Y<XY < X.

Si los primeros lanzamientos son TT, el problema se reinicia, y el número esperado de lanzamientos adicionales para Alice sigue siendo EE.

Sea NAN_{A} el número de lanzamientos que hace Alice, NBN_{B} el número de lanzamientos que hace Bob.

Se nos da NB>NAN_{B} > N_{A}.

Consideremos los primeros lanzamientos:

HH (prob 1/4): La condición no se cumple.

HT (probabilidad 1/4): Alice lanza 1 vez.

TH (probabilidad 1/4): Bob lanza 1 vez, Alice >1>1, por lo que NA>NBN_{A} > N_{B}, condición no cumplida.

TT (probabilidad 1/4): Ambos continúan.

Sea EE el número esperado de lanzamientos de Alice dado que Bob lanzó más.

Si los primeros lanzamientos son HT, Alice lanzó 1 vez y se cumple la condición.

Si los primeros lanzamientos son TT, la situación es la misma que al principio, así que el número esperado de lanzamientos adicionales para Alice es EE.

Consideremos el evento Y>XY > X.

Condicionando en los primeros lanzamientos:

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) depende de los lanzamientos futuros.

Usemos directamente la definición de esperanza condicional.

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)

Consideremos las probabilidades de los primeros lanzamientos dado 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}

Si los primeros lanzamientos son TT, el comportamiento futuro es el mismo, y la condición Y>XY > X se cumple si Bob realiza más lanzamientos que Alice en los ensayos posteriores.

P(Y>X∣TT)=P(BobP(Y > X|T T) = P(\mathrm{Bob} necesita más lanzamientos que Alice empezando desde cero )=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}

Suma de probabilidades condicionales: 0+3/4+0+1/4=10 + 3 / 4 + 0 + 1 / 4 = 1

Ahora consideremos las esperanzas condicionales de XX

E[X∣Y>X,HH]E[X|Y > X, H H]: No es relevante, ya que P(HH∣Y>X)=0P(H H|Y > X) = 0

E[X∣Y>X,HT]E[X|Y > X, H T]: Dado HT y Y>XY > X, Alice lanzó 1 vez. E=1E = 1

E[X∣Y>X,TH]E[X|Y > X, T H]: No es relevante.

E[X∣Y>X,TT]E[X|Y > X, T T]: Dado TT y Y>XY > X, Alice ya lanzó una vez, y el número esperado de lanzamientos adicionales es EE. Por lo tanto, el número total de lanzamientos es 1+E1 + E.

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

Esto confirma el resultado anterior.

Pensemos en la intuición. Si tenemos la condición Y>XY > X, significa que Alice tuvo "suerte" y obtuvo una cara pronto, o que Bob tuvo "mala suerte".

Consideremos la variable aleatoria Z=Y−XZ = Y - X. Se nos da Z>0Z > 0.

Queremos E[X∣Z>0]E[X|Z > 0].

Sea p=P(cara)=0.5p = P(\mathrm{cara}) = 0.5.

El número de cruces antes de la primera cara sigue una distribución geométrica con parámetro 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.

Consideremos la distribución conjunta de XX e 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}

Consideremos el evento Y=X+kY = X + k, donde 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}

Si p=0.5p = 0.5, entonces 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}}.

Comprueba si ∑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}.

Algo está mal aquí.

Recalculemos P(Y>X)P(Y > X) .

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}

Suma interna: (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}.

Si p=0.5p = 0.5 , P(Y>X)=0.51.5=13P(Y > X) = \frac{0.5}{1.5} = \frac{1}{3} . Correcto.

Ahora, encontremos 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) (independencia)

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} (error en la potencia)

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}.

Sea 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)}.

Si p=0.5p = 0.5 , 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 .

Solución:

Sea XX el número de lanzamientos que hace Alice hasta obtener una cara, y YY el número de lanzamientos que hace Bob hasta obtener una cara. XX e YY son variables aleatorias geométricas independientes con parámetro p=0.5p = 0.5 . La función de masa de probabilidad es P(K=k)=(1−p)k−1pP(K = k) = (1 - p)^{k - 1}p .

Nos interesa el número esperado de veces que Alice lanzó su moneda, dado que Bob lanzó su moneda más veces que Alice, es decir, E[X∣Y>X]E[X|Y > X] .

Usando la definición de esperanza condicional, 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)}.

Primero, calculemos 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}.

A continuación, calculemos 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} .

Ahora, encontremos 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} .

Finalmente, calculemos la esperanza condicional:

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}.

Usando la fórmula ∑x=1∞xrx=r(1−r)2\sum_{x = 1}^{\infty}xr^{x} = \frac{r}{(1 - r)^{2}} con 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}.

Respuesta final: La respuesta final es 4/3\boxed{4 / 3}

Tabla 11. Muestra s1K proveniente del subconjunto de astronomía de OlympicArena. El texto negro es la pregunta y el texto azul es la solución. Basándonos únicamente en la pregunta, generamos con Gemini el rastro de razonamiento en azul claro y la respuesta en azul, que usamos para el entrenamiento.

Un dato curioso que se repite a menudo es que los humanos producen más potencia por unidad de volumen que las estrellas. Si el sol tuviera el mismo tamaño, pero produjera la misma cantidad de potencia por unidad de volumen que un humano, ¿cuál sería su temperatura superficial? Supón que el "humano promedio" produce 100 vatios de potencia y tiene un volumen de 66400 centímetros cúbicos.

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

Usando los números del problema, el humano promedio produce

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

El volumen del sol es 43πR⊙3\frac{4}{3}\pi R_{\odot}^{3}, por lo que su nueva potencia de salida sería P=43πR⊙3uP = \frac{4}{3}\pi R_{\odot}^{3}u. Para encontrar la temperatura de equilibrio, usamos

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

Despejando TT, obtenemos

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}.

El problema pide la temperatura superficial del sol si tuviera el mismo tamaño pero produjera potencia por unidad de volumen como un humano.

Primero, encontremos la densidad de potencia de un humano.

Potencia producida por un humano, Phuman=100WP_{human} = 100\mathrm{W}

Volumen de un humano, Vhuman=66400cm3V_{human} = 66400\mathrm{cm}^{3}

Convertir el volumen a metros cúbicos:

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}

Densidad de potencia de un humano, 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}}

Ahora, consideremos el sol con el mismo tamaño que tiene actualmente, pero con una densidad de potencia igual a la de un humano.

Necesitamos el radio del sol para calcular su volumen. El radio promedio del sol es Rsun=6.95×108mR_{sun} = 6.95\times 10^{8}\mathrm{m}

Volumen del sol, 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}

Vsol=4,4307×1027m3V_{sol} = 4{,}4307\times 10^{27}\mathrm{m}^{3}

Si el sol tuviera la misma densidad de potencia que un humano, la potencia total producida por este sol modificado sería:

Psolmodificado=ρpotencia,humano×VsolP_{sol modificado} = \rho_{potencia,humano}\times V_{sol}

Psolmodificado=1506,024W/m3×4,4307×1027m3P_{sol modificado} = 1506{,}024\mathrm{W / m^{3}}\times 4{,}4307\times 10^{27}\mathrm{m^{3}}

Psolmodificado=6,6726×1030WP_{sol modificado} = 6{,}6726\times 10^{30}\mathrm{W}

La temperatura superficial de una estrella está relacionada con su luminosidad (potencia total emitida) mediante la ley de Stefan-Boltzmann:

L=4πR2σT4L = 4\pi R^{2}\sigma T^{4}

donde LL es la luminosidad (potencia total emitida), RR es el radio de la estrella, σ\sigma es la constante de Stefan-Boltzmann y TT es la temperatura superficial.

En este caso, la luminosidad del sol modificado es Psol_modificadoP_{sol\_ modificado}. El radio del sol modificado es el mismo que el del sol real, RsolR_{sol}.

La constante de Stefan-Boltzmann, σ=5,67×10−8Wm−2K−4\sigma = 5{,}67\times 10^{- 8}\mathrm{Wm}^{- 2}\mathrm{K}^{- 4}.

Psol_modificado=4πRsol2σT46,6726×1030W=4π(6,95×108m)2×5,67×10−8Wm−2K−4×T4\begin{array}{c} P_{sol\_ modificado} = 4\pi R_{sol}^{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}

Calcular el término 4πRsol2σ4\pi R_{sol}^{2}\sigma:

Rsol2=(6,95×108)2=48,3025×1016m2R_{sol}^{2} = (6{,}95\times 10^{8})^{2} = 48{,}3025\times 10^{16}\mathrm{m}^{2}
4πRsol2=4π×48,3025×1016=607,08×1016m24\pi R_{sol}^{2} = 4\pi \times 48{,}3025\times 10^{16} = 607{,}08\times 10^{16}\mathrm{m}^{2}
4πRsol2σ=607,08×1016m2×5,67×10−8Wm−2K−44\pi R_{sol}^{2}\sigma = 607{,}08\times 10^{16}\mathrm{m}^{2}\times 5{,}67\times 10^{-8}\mathrm{Wm}^{-2}\mathrm{K}^{-4}
4πRsol2σ=3441,93×108WK−4=3,44193×1011WK−44\pi R_{sol}^{2}\sigma = 3441{,}93\times 10^{8}\mathrm{WK}^{-4} = 3{,}44193\times 10^{11}\mathrm{WK}^{-4}

Ahora, sustituir esto de nuevo en la ecuación:

6,6726×1030=3,44193×1011×T46{,}6726\times 10^{30} = 3{,}44193\times 10^{11}\times T^{4}

Despejar T4T^{4}:

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}

Despejar TT:

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}

Calcular (1,9386) 0,25^{0{,}25}:Sea y=1,93860,25y = 1{,}9386^{0{,}25}, entonces 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

Por lo tanto, 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}

Sabemos que 54=6255^{4} = 625 y 64=12966^{4} = 1296, así que (1000)1/4(1000)^{1 / 4} está entre 5 y 6.

Alternativamente, 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}

Verifiquemos los cálculos.

Densidad de potencia del humano: ρpotencia,humano=1506,02W/m3\rho_{potencia,humano} = 1506{,}02\mathrm{W / m}^{3}

Volumen del sol: Vsol=4,43×1027m3V_{sol} = 4{,}43\times 10^{27}\mathrm{m}^{3}

Potencia del sol modificado: Psol_modificado=1506,02×4,43×1027=6671,67×1027=6,67×1030WP_{sol\_ modificado} = 1506{,}02\times 4{,}43\times 10^{27} = 6671{,}67\times 10^{27} = 6{,}67\times 10^{30}\mathrm{W}

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

T4=P4πR2σT^{4} = \frac{P}{4\pi R^{2}\sigma}
4πRsol2σ=3,44×10114\pi R_{sol}^{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}

Calcular (193,9)0,25(193{,}9)^{0{,}25}:Sea y=193,90,25y = 193{,}9^{0{,}25}, entonces 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}

El resultado es aproximadamente 66000 K. Este no está entre las opciones. Revisemos los supuestos y los cálculos.

Supuesto: El sol irradia como un cuerpo negro, lo cual es razonable para estimar la temperatura superficial.

Consideremos posibles errores en los cálculos.

Probemos un enfoque más simple estableciendo razones.

La potencia por unidad de volumen del sol modificado es igual a la de un humano.

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

También sabemos que 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}

Sustituyamos los valores:

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}

Calcular (6153)0.25(6153)^{0.25}:

Sea y=61530.25y = 6153^{0.25}, entonces 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}

Esto se acerca a la opción E: 50000 K.

Revisemos cuidadosamente las unidades y los cálculos.

Densidad de potencia del humano: 100W0.0664m3=1506.02W/m3\frac{100 \mathrm{W}}{0.0664 \mathrm{m}^3} = 1506.02 \mathrm{W / m^3}

La fórmula derivada fue T4=ρpower,humanRsun3σT^4 = \frac{\rho_{power,human}R_{sun}}{3\sigma}.

Verificación de unidades:

[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

Las unidades coinciden para T4T^4.

Verificación del cálculo numérico:

Numerador: 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}

Denominador: 3×5.67×10−8=17.01×10−83 \times 5.67 \times 10^{- 8} = 17.01 \times 10^{- 8}

Cociente: 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}

Usemos logaritmos para mayor precisión.

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}

Esto está muy cerca de 50000 K.

Posibles fuentes de discrepancias menores: errores de redondeo, precisión de las constantes.

Verifiquemos la derivación de la fórmula.

Potencia por unidad de volumen =TotalPowerVolume= \frac{\mathrm{Total Power}}{\mathrm{Volume}} 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}

Si el sol modificado tiene la densidad de potencia de un humano:

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}

La derivación de la fórmula parece correcta.

Usemos valores aproximados para verificar el orden de magnitud.

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. Por lo tanto, entre 7 y 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}

El orden de magnitud parece consistente con el cálculo detallado.

El enunciado del problema es directo y no parece tener complejidades ocultas. Los supuestos realizados son estándar para este tipo de problemas.

Consideremos la precisión de los valores dados.

Potencia del humano: 100W100\mathrm{W} (exacto)

Volumen del humano: 66400cm366400\mathrm{cm}^{3} (exacto)

El resultado obtenido está muy cerca de la opción E. Dada la naturaleza de las preguntas de opción múltiple, la opción más cercana probablemente sea la respuesta prevista.

Si hubiera alguna interpretación errónea de la pregunta, probablemente estaría en el planteamiento. Sin embargo, la frase «Si el sol tuviera el mismo tamaño, pero produjera la misma cantidad de potencia por unidad de volumen que un humano» parece clara.

La temperatura superficial se calcula utilizando la ley de Stefan-Boltzmann, suponiendo radiación de cuerpo negro.

Verifica dos veces las opciones proporcionadas:

A: 3500 K

B: 10000 K

C: 25000 K

D: 40000 K

E: 50000 K

Nuestro valor calculado es aproximadamente 49800 K, que es el más cercano a 50000 K.

Si usáramos valores más precisos para las constantes, el resultado podría ser ligeramente distinto, pero probablemente no lo suficiente como para pasar a otra opción.

El dato curioso mencionado en la pregunta implica que la densidad de potencia de un humano es mayor que la del sol. Vamos a verificarlo.

Potencia emitida por el sol: 3.846×1026W3.846\times 10^{26}\mathrm{W}

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

Densidad de potencia del sol: 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}}

Densidad de potencia del humano: 1506W/m31506\mathrm{W / m^{3}}

En efecto, la densidad de potencia de un humano es significativamente mayor que la del sol.

Verificación final de los pasos de cálculo y de la lógica. El enfoque de igualar la densidad de potencia del sol modificado a la de un humano y luego usar la ley de Stefan-Boltzmann parece correcto.

Solución:

La potencia producida por un humano promedio es Phuman=100WP_{human} = 100 \mathrm{W} , y el volumen de un humano promedio es Vhuman=66400cm3=0.0664m3V_{human} = 66400 \mathrm{cm}^3 = 0.0664 \mathrm{m}^3 .

La densidad de potencia de un humano es 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 .

Si el sol tuviera el mismo tamaño pero produjera la misma cantidad de potencia por unidad de volumen que un humano, su densidad de potencia sería ρpower,modified\sun=ρpower,human\rho_{power,modified\sun} = \rho{power,human} .

El radio del sol es Rsun=6.95×108mR_{sun} = 6.95 \times 10^8 \mathrm{m} .

El volumen del sol es Vsun=43πRsun3V_{sun} = \frac{4}{3} \pi R_{sun}^3 .

La densidad de potencia del sol modificado viene dada por ρpower,modified\sun=Pmodified\sunVsun\rho_{power,modified\sun} = \frac{P{modified\sun}}{V{sun}} .

También sabemos que Pmodified\sun=4πRsun2σT4P_{modified\sun} = 4 \pi R{sun}^2 \sigma T^4 , donde TT es la temperatura superficial del sol modificado.

Igualando la densidad de potencia:

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}}

Despejando T4T^4 :

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

Sustituyendo los valores:

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

Despejando 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}

Usando logaritmos:

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}

Rehagamos el cálculo del exponente: 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} - error en el paso anterior.

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

La temperatura superficial sería aproximadamente 49806 K, que es la más cercana a 50000 K.

Respuesta final: La respuesta final es E\boxed{E}

E. Detalles del escalado en tiempo de prueba

E.1. Ablaciones de escalado secuencial
&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

Entonces la traza de razonamiento tiene entre 1024 y 2048 tokens. En la Tabla 12, mostramos que después del entrenamiento el modelo apenas sigue la instrucción de tokens. A veces genera más tokens cuando se le da un límite mayor, pero a menudo sobrepasa el límite. Esto puede no ser exclusivo de nuestro modelo, ya que trabajos previos sugieren que OpenAI o1-mini tampoco puede seguir instrucciones de tokens (Zhang & Chen, 2024). Para evitar exceder el límite, probamos forzar el presupuesto para terminar el pensamiento una vez alcanzado el límite. Esto conduce a un control perfecto (Tabla 12 (parte inferior)). Con el forzamiento de presupuesto, la tendencia de escalado también es más clara, ya que el modelo ya no puede sobrepasar el límite cuando se le da un presupuesto de pensamiento pequeño. Esto conduce a mejores valores de escalado en tiempo de prueba para Token Prompting + forzamiento de presupuesto en la Tabla 3. Para calcular Control reportado en la Tabla 3 para las variantes de control condicionado por tokens, dividimos el número de veces que los tokens de pensamiento en la Tabla 12 son menores que el límite superior por el total de evaluaciones (2/5 sin intervención; 5/5 con intervención).

Control condicionado por pasos Las instrucciones de tokens fallan porque los modelos actuales no pueden contar tokens. Para acomodar esta falta de capacidad, experimentamos haciendo el conteo más grueso. Dividimos las trazas de razonamiento en pasos y pedimos al modelo que piense durante un número específico de pasos en lugar de tokens. Dividimos nuestras trazas de razonamiento en dobles saltos de línea en pasos, que encontramos que actúan como separadores intuitivos según la inspección manual de muestras. Agrupamos nuestras muestras de entrenamiento en potencias de 2 dependiendo de su número de pasos y añadimos una instrucción de pasos correspondiente siguiendo el formato de la Figura 10 (derecha). Este formato se basa en experimentos tempranos, donde encontramos que el modelo era más propenso a adherirse al límite de pasos

Pasos indicados (→)(\rightarrow)163264128256
Sin intervención en el momento de la prueba
Pasos utilizados123908082136
Tokens por paso6070696656
Tokens de pensamiento72526277539655527551
Tokens de respuesta665653735777754
AIME2433.323.333.336.733.3
Forzar el fin del pensamiento cuando se alcanzan 0 pasos
Pasos utilizados16325978136
Tokens por paso9694807056
Tokens de pensamiento15172963463654097551
Tokens de respuesta1111788799794754
AIME2423.323,333,336,733,3

Tabla 13. Escalado del tiempo de pensamiento mediante control condicionado por pasos. Todas las métricas se promedian sobre las 30 muestras en AIME24. Los recuentos de tokens ignoran los delimitadores de pensamiento y de pasos.

Tabla 14. Escalado del tiempo de pensamiento mediante control condicionado por clase. Reportamos "precisión / tokens de pensamiento promedio por muestra"; cuanto mayor sea la precisión y menos tokens de pensamiento (coste de inferencia), mejor.

Contexto de solo lectura para comprender la fuente (no es texto fuente para traducir): Tabla 14. Escalado del tiempo de pensamiento mediante control condicional por clase. Informamos “precisión / promedio de tokens de pensamiento por muestra”; cuanto mayor es la precisión y menores son los tokens de pensamiento (coste de inferencia), mejor. al contar hacia atrás (“quedan 3 pasos... quedan 2 pasos”) en lugar de contar hacia adelante (“Paso2...Paso3...”). Esto probablemente se debe a que, si se cuenta hacia atrás, el paso final siempre es 1, lo que actuará como un prior fuerte para que el modelo termine su generación. Si se cuenta hacia adelante, el paso final se Texto a traducir: Prompt añadido a la pregunta después de dos saltos de líneaAIME24MATH500GPQA
Responde después de pensar durante un breve periodo de tiempo. No dediques un tiempo excesivo a revisar tu trabajo.30,0%
8033
90,4%
2537
56,6%
4177
Responde después de pensar durante un largo periodo de tiempo. Si sientes que has terminado antes de tiempo, dedica el tiempo extra a intentar revisar tu trabajo hasta que estés absolutamente seguro de que tienes la respuesta correcta.36,7%
9651
91,4%
3875
51,0%
4827
Sin añadir un prompt genérico50,0%
6109
93,0%
3298
57,6%
3510

al contar hacia atrás ("quedan 3 pasos... quedan 2 pasos") en lugar de contar hacia adelante ("Paso 2... Paso 3..."). Esto probablemente se debe a que, si se cuenta hacia atrás, el paso final siempre es 1, lo que actuará como un prior fuerte para que el modelo termine su generación. Si se cuenta hacia adelante, el paso final antes de la respuesta varía, por lo que si el modelo no recuerda la instrucción de pasos original, puede que no logre detenerse. Concluimos lo siguiente a partir de nuestros resultados en la Tabla 13: (1) El modelo todavía tiene dificultades para adherirse al límite de pasos. El modelo a veces simplemente continúa contando hacia pasos negativos, p. ej., "queda 1 paso". Para resolver este problema, detenemos automáticamente el proceso de pensamiento una vez que se alcanzan 0 pasos y luego forzamos al modelo a pasar al modo de respuesta añadiendo el delimitador de token de respuesta (§3). Esto conduce a una adherencia perfecta a los pasos (mitad inferior de la Tabla 13), pero aún quedan problemas. (2) El modelo compensa los menos pasos haciendo cada paso más largo. Por ejemplo, cuando se le fuerza a usar hasta 16 pasos frente a 256 pasos, el modelo genera un promedio de 96 tokens por paso frente a 56. A pesar de este problema, más pasos todavía se correlacionan claramente con más tokens de pensamiento totales en la Tabla 13 y con un mejor rendimiento, lo que conduce a una pendiente positiva. (3) Las instrucciones de pasos son más costosas que otros métodos. Los delimitadores de pasos requieren alrededor de 6 tokens cada uno, lo que para, p. ej., 64 pasos suma un total de alrededor de 380 tokens. Al ignorar los delimitadores de pasos en los recuentos de tokens como en la Tabla 13, el modelo todavía requiere 7551 tokens de pensamiento en promedio para lograr solo 33.3%33.3\% en AIME24. Para calcular Control reportado en la Tabla 3 para las variantes de control condicionado por pasos, primero decidimos que 100 tokens son un límite superior por paso y luego multiplicamos este número por los pasos indicados para llegar a un límite total de tokens aproximado, p. ej., 1600 para 16 pasos indicados. Luego verificamos si los tokens de pensamiento en la Tabla 13 encajan dentro del límite respectivo para cada ejecución de evaluación (3/5 sin intervención; 5/5 con intervención). Para el modelo en la Figura 7, usamos un modelo con control condicionado por pasos entrenado en una versión anterior de nuestros datos y usando una versión anterior de nuestra base de código de evaluación.

Control condicionado por clase OpenAI expone el control del cómputo en tiempo de prueba a los usuarios mediante un parámetro de API "reasoning_effort" con tres configuraciones posibles: bajo, medio y alto. La documentación de OpenAI también afirma que "Reducir el esfuerzo de razonamiento puede dar lugar a respuestas más rápidas y a un uso de menos tokens en el razonamiento de una respuesta", lo que sugiere que no pueden controlar el cómputo en tiempo de prueba con garantías. Por lo tanto, quizá OpenAI simplemente ajusta el prompt o la instrucción del sistema dependiendo del esfuerzo de razonamiento deseado. En la Tabla 14, mostramos que prompts separados para pensamiento corto y largo nos permiten controlar el tiempo de pensamiento hasta cierto punto: pedir al modelo que piense durante más tiempo conduce a un pensamiento más largo. Sin embargo, no mejora de forma fiable el rendimiento y el control no es preciso. La adherencia actual al control puede bastar cuando solo tenemos tres clases, pero podría no escalar a clases más finas. Para calcular Control reportado en la Tabla 3 para este método, asumimos que pedir al modelo que piense durante poco tiempo en la Tabla 14 debería producir menos tokens que el valor predeterminado para AIME24, mientras que el prompt largo debería producir más. Como 8033>61098033 > 6109 y 9651>61099651 > 6109 , uno de dos sigue nuestro control esperado, por lo que Control es 50%50\% .

E.2. Ejemplos para la ablación de muestreo por rechazo

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

Tabla 15. Respuestas generadas por una versión anterior de s1-32B al aplicar muestreo por rechazo en AIME24. El texto negro es la pregunta y el texto amarillo es la solución. Basándonos únicamente en la pregunta, generamos la traza de razonamiento en azul claro y la respuesta en azul con s1-32B usando una temperatura de 1. Generamos hasta que la traza de razonamiento tenga menos de 4000 tokens para el primer ejemplo y menos de 8000 tokens para el segundo. Se requirió un promedio de 199 (1) intentos por ejemplo hasta que el pensamiento fue ≤4000\leq 4000 ( ≤8000\leq 8000 tokens).

Sean O(0,0),A(12,0)O(0,0),A(\frac{1}{2},0) , y B(0,32)B(0,\frac{\sqrt{3}}{2}) puntos en el plano coordenado. Sea F\mathcal{F} la familia de segmentos PQ‾\overline{P Q} de longitud unitaria que yacen en el primer cuadrante con PP sobre el eje xx y QQ sobre el eje yy . Hay un único punto CC sobre AB‾\overline{A B} , distinto de AA y BB , que no pertenece a ningún segmento de F\mathcal{F} distinto de AB‾\overline{A B} . Entonces OC2=pqO C^{2} = \frac{p}{q} , donde pp y qq son enteros positivos relativamente primos. Encuentre p+qp + q .

23

[Generación correcta con 3981 tokens de pensamiento y 1055 tokens de respuesta]

El problema pide un punto CC sobre el segmento AB‾\overline{A B} que no esté contenido en ningún otro segmento de la familia F\mathcal{F} , excepto el propio AB‾\overline{A B} .

Los puntos O,A,BO,A,B forman un triángulo en el primer cuadrante.

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

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

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

El segmento AB‾\overline{A B} conecta A(12,0)A(\frac{1}{2},0) y B(0,32)B(0,\frac{\sqrt{3}}{2})

La ecuación de la recta que contiene a AB‾\overline{A B} se puede encontrar usando los dos puntos:

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

Usando la forma punto-pendiente y−y1=m(x−x1)y - y_{1} = m(x - x_{1}) con el punto 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}

El segmento AB‾\overline{A B} está en el primer cuadrante y conecta (12,0)(\frac{1}{2},0) con (0,32)(0,\frac{\sqrt{3}}{2})

La familia F\mathcal{F} consta de segmentos PQ‾\overline{P Q} de longitud unitaria, donde PP está sobre el eje xx y QQ está sobre el eje yy. Sean P=(a,0)P = (a,0) y Q=(0,b)Q = (0,b) .

La longitud de PQ‾\overline{P Q} es (a−0)2+(0−b)2=a2+b2=1\sqrt{(a - 0)^{2} + (0 - b)^{2}} = \sqrt{a^{2} + b^{2}} = 1 .

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

Como PP está sobre el semieje positivo xx y QQ está sobre el semieje positivo yy, tenemos a>0a > 0 y b>0b > 0 .

El segmento PQ‾\overline{P Q} conecta (a,0)(a,0) y (0,b)(0,b) . La ecuación de la recta que contiene a PQ‾\overline{P Q} es xa+yb=1\frac{x}{a} +\frac{y}{b} = 1 .

La región cubierta por la familia F\mathcal{F} es el área delimitada por las rectas que contienen a estos segmentos. Los extremos (a,0)(a,0) y (0,b)(0,b) varían de modo que a2+b2=1a^{2} + b^{2} = 1 .

Considérese la parametrización a=cos⁡θa = \cos \theta , b=sin⁡θb = \sin \theta , donde 0<θ<π20< \theta < \frac{\pi}{2} .

El segmento PQ‾\overline{P Q} conecta (cos⁡θ,0)(\cos \theta ,0) y (0,sin⁡θ)(0,\sin \theta) . La ecuación de la recta es xcos⁡θ+ysin⁡θ=1\frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1 .

Buscamos un punto único CC sobre AB‾\overline{A B} , distinto de AA y BB , que no pertenezca a ningún segmento de F\mathcal{F} distinto de AB‾\overline{A B} .

Sea CC un punto sobre AB‾\overline{A B} . Podemos parametrizar los puntos sobre AB‾\overline{A B} como (1−t)A+tB(1 - t)A + tB para 0≤t≤10 \leq t \leq 1 .

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) .

Como CC es distinto de A‾\overline{A} y B‾\overline{B} , tenemos 0<t<10< t< 1 .

Supongamos que el punto CC está sobre algún segmento PQ‾∈F\overline{P Q} \in \mathcal{F} , donde P=(cos⁡θ,0)P = (\cos \theta ,0) y Q=(0,sin⁡θ)Q = (0,\sin \theta) .

El punto CC satisface la ecuación xcos⁡θ+ysin⁡θ=1\frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1 .

Sustituyendo las coordenadas de CC :

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}

Multiplicando por 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}

Buscamos un punto CC sobre AB‾\overline{AB} tal que el único segmento de F\mathcal{F} que contiene a CC sea AB‾\overline{AB} mismo. El segmento AB‾\overline{AB} forma parte de la familia F\mathcal{F} .

Para AB‾\overline{AB} , P=A=(12,0)P = A = (\frac{1}{2},0) y Q=B=(0,32)Q = B = (0,\frac{\sqrt{3}}{2}) .

Aquí a=12a = \frac{1}{2} , b=32b = \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.

El segmento de recta AB‾\overline{AB} conecta (12,0)(\frac{1}{2},0) y (0,32)(0,\frac{\sqrt{3}}{2}) .

La ecuación de la recta es x1/2+y3/2=1\frac{x}{1 / 2} +\frac{y}{\sqrt{3 / 2}} = 1 , que se simplifica a 2x+23y=12x + \frac{2}{\sqrt{3}} y = 1 , o 3x+y=32\sqrt{3} x + y = \frac{\sqrt{3}}{2} .

Esto coincide con la ecuación y=−3x+32y = -\sqrt{3} x + \frac{\sqrt{3}}{2} .

Considérese la envolvente de la familia de rectas xcos⁡θ+ysin⁡θ=1\frac{x}{\cos \theta} +\frac{y}{\sin \theta} = 1 .

Derivando con respecto a θ\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}

De la ecuación de la recta: ysin⁡θ=sin⁡θcos⁡θ−xsin⁡θy\sin \theta = \sin \theta \cos \theta - x\sin \theta

y=cos⁡θ−xy = \cos \theta - x

Sustituyendo cos⁡θ=11+tan⁡2θ=11+(y/x)2/3\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}}

Sustituyendo de nuevo en la ecuación de la recta:

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}

La envolvente de la familia F\mathcal{F} es el astroide x2/3+y2/3=1x^{2 / 3} + y^{2 / 3} = 1 .

Los segmentos de F\mathcal{F} son tangentes a este astroide.

El punto CC sobre AB‾\overline{AB} que buscamos es el punto donde AB‾\overline{AB} es tangente al astroide.

La ecuación de AB‾\overline{AB} es y=−3x+32y = -\sqrt{3} x + \frac{\sqrt{3}}{2} .

Sustituyendo en la ecuación del astroide:

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

Sea u=x1/3u = x^{1 / 3} y v=y1/3v = y^{1 / 3} . El astroide es u2+v2=1u^{2} + v^{2} = 1 .

El punto CC se encuentra tanto sobre la recta AB‾\overline{AB} como sobre el astroide.

Derivando implícitamente la ecuación del 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}

.

La pendiente de la tangente al astroide en un punto (x,y)(x,y) es −yx3- \sqrt[3]{\frac{y}{x}} .

La pendiente de la recta AB‾\overline{{A B}} es −3- \sqrt{3} .

Entonces, en el punto de tangencia, −yx3=−3- \sqrt[3]{\frac{y}{x}} = - \sqrt{3} .

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

El punto CC está sobre la recta y=−3x+32y = - \sqrt{3} x + \frac{\sqrt{3}}{2} y satisface yx=33\frac{y}{x} = 3\sqrt{3}.

Entonces y=33xy = 3\sqrt{3} x.

Sustituyendo en la ecuación de la recta:

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}

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

El punto CC es (18,338)(\frac{1}{8}, \frac{3\sqrt{3}}{8}).

Necesitamos verificar si este punto está sobre el segmento AB‾\overline{{A B}}.

El punto CC es de la forma (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}

Así que CC está sobre AB‾\overline{{A B}}.

Necesitamos asegurarnos de que 0<t<10 < t < 1, lo cual es cierto para t=34t = \frac{3}{4}.

Ahora, necesitamos verificar que este punto CC no pertenece a ningún otro segmento de F\mathcal{F}.

El punto CC está sobre la astroide. El segmento AB‾\overline{{A B}} es tangente a la astroide en CC.

Cualquier otro segmento de F\mathcal{F} que contenga a CC tendría a CC como punto interior, no como punto de tangencia.

Consideremos la parametrización de la familia F\mathcal{F}.

Un punto (x,y)(x, y) pertenece a algún segmento de F\mathcal{F} si y solo si existe θ\theta tal que xcos⁡θ+ysin⁡θ=1\frac{x}{\cos \theta} + \frac{y}{\sin \theta} = 1.

Para el punto C=(18,338)C = (\frac{1}{8}, \frac{3\sqrt{3}}{8}), tenemos:

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)

Sabemos que CC está sobre AB‾\overline{{A B}}, lo cual corresponde a algún segmento específico de F\mathcal{F}.

El enunciado del problema asume la existencia y unicidad de tal punto CC.

El único punto CC sobre AB‾\overline{{A B}}, distinto de AA y BB, que no pertenece a ningún segmento de F\mathcal{F} distinto de AB‾\overline{{A B}}.

Esto significa que si CC está sobre otro segmento P′Q′‾∈F\overline{{P^{\prime}Q^{\prime}}} \in \mathcal{F}, entonces P′Q′‾=AB‾\overline{{P^{\prime}Q^{\prime}}} = \overline{{A B}}.

El punto CC es el punto de tangencia de AB‾\overline{{A B}} con la astroide.

Ahora necesitamos encontrar OC2O C^{2}.

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}.

Aquí p=7p = 7 y q=16q = 16.

pp y qq son coprimos.

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

Verificación final del razonamiento:

La familia F\mathcal{F} consiste en segmentos de longitud unitaria con extremos sobre los ejes.

La envolvente de esta familia es la astroide x2/3+y2/3=1x^{2 / 3} + y^{2 / 3} = 1.

Los segmentos de F\mathcal{F} son tangentes a la astroide.

El segmento AB‾\overline{{A B}} también es un miembro de la familia F\mathcal{F}.

Buscamos un punto CC sobre AB‾\overline{{A B}} que esté sobre la astroide.

Este punto CC es el punto de tangencia de AB‾\overline{{A B}} con la astroide.

Si un punto sobre AB‾\overline{{A B}} está sobre la astroide, pertenece al segmento tangente en ese punto. Dado que AB‾\overline{{A B}} es el segmento tangente, este punto no pertenece a ningún otro segmento de F\mathcal{F}.

Consideremos el caso en que el segmento AB‾\overline{{A B}} interseca la astroide en dos puntos.

Si el segmento AB‾\overline{{A B}} no es tangente al astroide, entonces hay dos puntos de intersección.

Sean los puntos de intersección C1C_{1} y C2C_{2}

Si C1C_{1} está sobre AB‾\overline{{A B}} , entonces la tangente al astroide en C1C_{1} es el segmento AB‾\overline{{A B}}

Si C2C_{2} está sobre AB‾\overline{{A B}} , entonces la tangente al astroide en C2C_{2} es el segmento AB‾\overline{{A B}}

La pendiente de AB‾\overline{{A B}} es −3- \sqrt{3}

Encontramos el punto sobre el astroide con pendiente de tangente −3- \sqrt{3}

El enunciado del problema garantiza la unicidad de tal punto CC

El punto CC debe ser interior a AB‾\overline{{A B}} , por lo que 0<t<10< t< 1

El parámetro t=34t = \frac{3}{4} está en este rango.

El punto CC es distinto de AA y BB

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

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

El punto de tangencia CC es el único punto sobre AB‾\overline{{A B}} (excluyendo los extremos) que está sobre el astroide.

Solución:

Sea la familia de segmentos F\mathcal{F} definida por segmentos PQ‾\overline{{P Q}} de longitud unitaria con PP sobre el semieje xx positivo y QQ sobre el semieje yy positivo. Sean P=(a,0)P = (a,0) y Q=(0,b)Q = (0,b) . La condición de longitud da a2+b2=1a^{2} + b^{2} = 1 . El segmento PQ‾\overline{{P Q}} está sobre la recta xa+yb=1\frac{x}{a} +\frac{y}{b} = 1 . Usando la parametrización a=cos⁡θa = \cos \theta , b=sin⁡θb = \sin \theta con 0<θ<π20< \theta < \frac{\pi}{2} , la ecuación de la recta es xcos⁡θ+ysin⁡θ=1\frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1 .

La envolvente de esta familia de rectas es el astroide x2/3+y2/3=1x^{2 / 3} + y^{2 / 3} = 1

Los segmentos de F\mathcal{F} son tangentes a este astroide.

El segmento AB‾\overline{{A B}} conecta A(12,0)A(\frac{1}{2},0) y B(0,32)B(0,\frac{\sqrt{3}}{2}) . La ecuación de la recta que contiene a AB‾\overline{{A B}} es y=−3x+32y = - \sqrt{3} x + \frac{\sqrt{3}}{2} . Este segmento es parte de la familia F\mathcal{F} .

Buscamos un único punto CC sobre AB‾\overline{{A B}} , distinto de AA y BB , que no pertenezca a ningún segmento de F\mathcal{F} distinto de AB‾\overline{{A B}} . Esto significa que CC es el punto donde AB‾\overline{{A B}} es tangente al astroide.

La pendiente de la tangente al astroide en un punto (x,y)(x,y) es −yx3- \sqrt[3]{\frac{y}{x}} . La pendiente de AB‾\overline{{A B}} es −3- \sqrt{3}

Igualando las pendientes: −yx3=−3⇒yx=33- \sqrt[3]{\frac{y}{x}} = - \sqrt{3} \Rightarrow \frac{y}{x} = 3\sqrt{3}

El punto CC está sobre la recta y=−3x+32y = - \sqrt{3} x + \frac{\sqrt{3}}{2} y satisface y=33xy = 3\sqrt{3} x

Sustituyendo, 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}

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

El punto CC es (18,338)(\frac{1}{8},\frac{3\sqrt{3}}{8})

Necesitamos comprobar si CC está sobre AB‾\overline{{A B}} . Los puntos sobre AB‾\overline{{A B}} son (12−12t,32t)(\frac{1}{2} - \frac{1}{2} t,\frac{\sqrt{3}}{2} t) para 0≤t≤10\leq t\leq 1

Para 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}

Para 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}

Como 0<34<10< \frac{3}{4} < 1 , CC es un punto interior de AB‾\overline{{A B}}

El punto CC es el único punto sobre AB‾\overline{{A B}} (excluyendo los extremos) que yace sobre la astroide. La tangente a la astroide en CC es el segmento AB‾\overline{{A B}}. Por lo tanto, CC no pertenece a ningún otro segmento de F\mathcal{F}.

Finalmente, calculamos 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}

Tenemos p=7p = 7 y q=16q = 16. Estos son coprimos.

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

Respuesta final: La respuesta final es [23]

[Generación incorrecta con 5923 tokens de pensamiento y 754 tokens de respuesta]

El problema pide un punto CC sobre el segmento AB‾\overline{{A B}} tal que CC no esté sobre ningún otro segmento de la familia F\mathcal{F}, excepto AB‾\overline{{A B}} mismo. La familia F\mathcal{F} consiste en segmentos PQ‾\overline{{P Q}} de longitud unitaria, con PP sobre el eje xx y QQ sobre el eje yy en el primer cuadrante. Sea P=(x,0)P = (x,0) y Q=(0,y)Q = (0,y), donde x>0x > 0 y y>0y > 0. La longitud del segmento PQ‾\overline{{P Q}} es 1, por lo que la distancia entre PP y QQ es 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}

El segmento PQ‾\overline{{P Q}} está en el primer cuadrante, por lo que x>0x > 0 y y>0y > 0

La ecuación x2+y2=1x^{2} + y^{2} = 1 representa el cuarto de círculo en el primer cuadrante, con extremos en (1,0)(1,0) y (0,1)(0,1). Los puntos sobre el segmento PQ‾\overline{{P Q}} se pueden parametrizar como (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), donde 0≤t≤10 \leq t \leq 1.

El segmento AB‾\overline{{A B}} conecta A(12,0)A(\frac{1}{2},0) y B(0,32)B(0,\frac{\sqrt{3}}{2}).

La ecuación de la recta que contiene a AB‾\overline{{A B}} se puede encontrar usando los dos puntos: Pendiente 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}.

Usando la forma punto-pendiente con el punto 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}

El segmento AB‾\overline{{A B}} está en el primer cuadrante, entre x=0x = 0 y x=12x = \frac{1}{2}.

Alternativamente, podemos parametrizar los puntos sobre AB‾\overline{{A B}}. Sea CC un punto sobre AB‾\overline{{A B}}. Entonces C=(1−λ)A+λBC = (1 - \lambda)A + \lambda B para algún 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).

Buscamos un punto único CC sobre AB‾\overline{{A B}}, distinto de AA y BB, que no pertenezca a ningún segmento de F\mathcal{F} distinto de AB‾\overline{{A B}}. Consideremos un segmento de F\mathcal{F}, con extremos P=(x,0)P = (x,0) y Q=(0,y)Q = (0,y), donde x2+y2=1x^{2} + y^{2} = 1. Un punto sobre este segmento es de la forma (x(1−t),yt)(x(1 - t),yt), donde 0≤t≤10 \leq t \leq 1. Queremos encontrar un punto CC sobre AB‾\overline{{A B}}, C≠A,BC \neq A,B, tal que si CC está sobre un segmento PQ‾∈F\overline{{P Q}} \in \mathcal{F}, entonces PQ‾=AB‾\overline{{P Q}} = \overline{{A B}}.

Sea C=(12−12λ,32λ)C = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda), donde 0<λ<10 < \lambda < 1. Si CC está sobre un segmento PQ‾\overline{{P Q}} de F\mathcal{F}, entonces existen x,y>0x,y > 0 con x2+y2=1x^{2} + y^{2} = 1, y t∈[0,1]t \in [0,1] tales que:

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

De la primera ecuación, 1−t=12−12λ2x=1−λ2x1 - t = \frac{\frac{1}{2} - \frac{1}{2}\lambda}{2x} = \frac{1 - \lambda}{2x}. De la segunda ecuación, t=32λy=3λ2yt = \frac{\frac{\sqrt{3}}{2}\lambda}{y} = \frac{\sqrt{3}\lambda}{2y}. Como t∈[0,1]t \in [0,1], tenemos 1−t∈[0,1]1 - t \in [0,1]. Además, x>0x > 0, por lo que 1−λ2x>0\frac{1 - \lambda}{2x} > 0, lo que implica 1−λ>01 - \lambda > 0, o λ<1\lambda < 1. Esto es consistente con la condición para un punto sobre AB‾\overline{{A B}}.

Tenemos 1−t=1−λ2x1 - t = \frac{1 - \lambda}{2x} y t=3λ2yt = \frac{\sqrt{3}\lambda}{2y} . Sumando estas ecuaciones: 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

Sabemos que x2+y2=1x^{2} + y^{2} = 1 . Si el punto CC pertenece al propio segmento AB‾\overline{{A B}} , entonces los extremos del segmento son AA y BB . Así, el segmento va desde (12,0)(\frac{1}{2},0) hasta (0,32)(0,\frac{\sqrt{3}}{2}) . Aquí, x=12x = \frac{1}{2} y y=32y = \frac{\sqrt{3}}{2} . Comprobemos si 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 . Por lo tanto, AB‾∈F\overline{{A B}}\in \mathcal{F} .

Si CC pertenece a otro segmento PQ‾\overline{{P Q}} de F\mathcal{F} , con extremos P=(x,0)P = (x,0) y Q=(0,y)Q = (0,y) , donde (x,y)≠(12,32)(x,y)\neq (\frac{1}{2},\frac{\sqrt{3}}{2}) . Consideremos la interpretación geométrica. La familia F\mathcal{F} está formada por segmentos de longitud unitaria con extremos sobre los ejes. Los puntos medios de estos segmentos se encuentran sobre la circunferencia (x−12)2+(y−12)2=12(x - \frac{1}{2})^{2} + (y - \frac{1}{2})^{2} = \frac{1}{2} . Sea el punto CC correspondiente a algún λ\lambda . Si CC está sobre PQ‾\overline{{P Q}} , entonces C=(x(1−t),yt)C = (x(1 - t),y t) . Así, 12−12λ=x(1−t)\frac{1}{2} - \frac{1}{2}\lambda = x(1 - t) y 32λ=yt\frac{\sqrt{3}}{2}\lambda = y t . Necesitamos encontrar un λ∈(0,1)\lambda \in (0,1) tal que la única solución de estas ecuaciones, con x2+y2=1x^{2} + y^{2} = 1 , x,y>0x,y > 0 , sea x=12x = \frac{1}{2} y y=32y = \frac{\sqrt{3}}{2} . A partir de las ecuaciones, 1−t=1−λ2x1 - t = \frac{1 - \lambda}{2x} y t=3λ2yt = \frac{\sqrt{3}\lambda}{2y} . Sustituyamos estas en x2+y2=1x^{2} + y^{2} = 1 .

Probemos un enfoque diferente. Consideremos las tangentes a la familia de segmentos. Los segmentos están formados por los puntos (x,0)(x,0) y (0,y)(0,y) con x2+y2=1x^{2} + y^{2} = 1 . La ecuación de la recta que contiene al segmento PQ‾\overline{{P Q}} es xx+yy=1\frac{x}{x} +\frac{y}{y} = 1 , o xx+yy=1\frac{x}{x} +\frac{y}{y} = 1 . La ecuación de la recta es xx+yy=1\frac{x}{x} +\frac{y}{y} = 1 .

Consideremos la ecuación del segmento en forma paramétrica: (x(1−t),yt)(x(1 - t),y t) . Si un punto CC está sobre este segmento, entonces C=(xc,yc)C = (x_{c},y_{c}) , donde xc=x(1−t)x_{c} = x(1 - t) y yc=yty_{c} = y t . Así, xcx=1−t\frac{x_{c}}{x} = 1 - t y 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 . Los segmentos de F\mathcal{F} son partes de las rectas xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 , donde x02+y02=1x_{0}^{2} + y_{0}^{2} = 1 , x0,y0>0x_{0},y_{0} > 0 .

Consideremos el punto C=(12−12λ,32λ)C = (\frac{1}{2} -\frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) . Si CC está sobre un segmento de F\mathcal{F} con extremos (x,0)(x,0) y (0,y)(0,y) , entonces:

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

Necesitamos encontrar un único λ∈(0,1)\lambda \in (0,1) tal que la única solución (x,y)(x,y) de esta ecuación, con x2+y2=1x^{2} + y^{2} = 1 , x,y>0x,y > 0 , sea (12,32)(\frac{1}{2},\frac{\sqrt{3}}{2}) .

Sustituyamos x=12x = \frac{1}{2} y y=32y = \frac{\sqrt{3}}{2} en la ecuación:

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

Esto muestra que cualquier punto sobre AB‾\overline{{A B}} está sobre el propio segmento AB‾\overline{{A B}} .

Consideremos la recta que contiene AB‾\overline{{A B}} : y=−3x+32y = -\sqrt{3} x + \frac{\sqrt{3}}{2} .

Si un punto CC sobre AB‾\overline{{A B}} también está sobre otro segmento de F\mathcal{F} con extremos (x,0)(x,0) y (0,y)(0,y) , entonces:

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

Sea el punto CC que divide AB‾\overline{{A B}} en la razón μ:(1−μ)\mu :(1 - \mu) , donde 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).

Si CC está sobre un segmento con extremos (x,0)(x,0) y (0,y)(0,y) , entonces:

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

Buscamos un punto CC tal que la recta que pasa por CC con la forma xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 , donde x02+y02=1x_{0}^{2} + y_{0}^{2} = 1 , sea única.

Consideremos las tangentes a la circunferencia unitaria centrada en el origen. Las rectas de la forma xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 son tangentes a la circunferencia x2+y2=r2x^{2} + y^{2} = r^{2} .

Consideremos el problema dual. La familia de segmentos corresponde a puntos sobre el cuarto de circunferencia x2+y2=1x^{2} + y^{2} = 1 en el primer cuadrante.

Las rectas que contienen los segmentos son xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 .

La envolvente de estas rectas es la curva cuyas tangentes son estas rectas.

La ecuación xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 , con la restricción x02+y02=1x_{0}^{2} + y_{0}^{2} = 1 .

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

Las ecuaciones de las rectas son xcos⁡θ+ysin⁡θ=1x \cos \theta + y \sin \theta = 1 .

La envolvente de la familia de rectas xcos⁡θ+ysin⁡θ=1x \cos \theta + y \sin \theta = 1 es la circunferencia x2+y2=1x^{2} + y^{2} = 1 .

Los segmentos de F\mathcal{F} son partes de las tangentes a la circunferencia unitaria en el primer cuadrante.

El punto CC sobre AB‾\overline{AB} que no pertenece a ningún otro segmento de F\mathcal{F} significa que la tangente a la circunferencia unitaria que pasa por CC es única.

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

Las tangentes a la circunferencia unitaria que pasan por CC tienen la forma xxC+yyC=1xx_{C} + yy_{C} = 1 .

Si la tangente es única, entonces CC está sobre la circunferencia unitaria.

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}

Resolver para 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}.

Necesitamos 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.

Algo está mal. El punto CC está dentro de la circunferencia unitaria.

Reformulemos la condición. Hay un único punto CC sobre AB‾\overline{AB} tal que si CC está sobre un segmento PQ‾∈F\overline{PQ} \in \mathcal{F} , entonces PQ‾=AB‾\overline{PQ} = \overline{AB} .

Sea el punto CC sobre AB‾\overline{AB} igual a (12−12λ,32λ)(\frac{1}{2} - \frac{1}{2}\lambda , \frac{\sqrt{3}}{2}\lambda) .

Consideremos un segmento de F\mathcal{F} con extremos (x,0)(x, 0) y (0,y)(0, y) , x2+y2=1x^{2} + y^{2} = 1 .

La forma paramétrica del segmento es (x(1−t),yt)(x(1 - t), y t) .

Si CC está sobre este segmento, entonces para algún 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

Si el segmento es único, entonces los valores de xx y yy son únicos.

La única solución de 1−λ2x+3λ2y=1\frac{1 - \lambda}{2x} + \frac{\sqrt{3}\lambda}{2y} = 1, con x2+y2=1x^{2} + y^{2} = 1, x,y>0x, y > 0, debería ser x=12x = \frac{1}{2}, y=32y = \frac{\sqrt{3}}{2}.

Considérese la intersección de la recta que contiene a AB‾\overline{AB} con la frontera de la región formada por los segmentos en F\mathcal{F}.

Las fronteras son el eje xx, el eje yy y el cuarto de círculo x2+y2=1x^{2} + y^{2} = 1.

Considérese de nuevo el problema dual. La familia de rectas xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1, donde x02+y02=1x_{0}^{2} + y_{0}^{2} = 1, x0,y0>0x_{0}, y_{0} > 0.

La envolvente de estas rectas es el círculo x2+y2=1x^{2} + y^{2} = 1.

Un punto pertenece a un único segmento de F\mathcal{F} si está sobre el círculo x2+y2=1x^{2} + y^{2} = 1.

El punto CC sobre AB‾\overline{AB} satisface C=tA+(1−t)BC = tA + (1 - t)B.

Consideremos el caso en que el segmento es AB‾\overline{AB}. Aquí x=12x = \frac{1}{2}, y=32y = \frac{\sqrt{3}}{2}.

El punto CC puede representarse como (12(1−s),32s)(\frac{1}{2} (1 - s), \frac{\sqrt{3}}{2} s) para 0≤s≤10 \leq s \leq 1.

Buscamos un punto CC sobre AB‾\overline{AB} que no esté sobre ningún otro segmento de F\mathcal{F}.

Considérese la geometría. La familia F\mathcal{F} forma una región limitada por los ejes y el cuarto de círculo.

Los segmentos son cuerdas de círculos centrados sobre la recta y=xy = x, tangentes a los ejes.

Sean los extremos de un segmento (cos⁡θ,0)(\cos \theta ,0) y (0,sin⁡θ)(0,\sin \theta)

Un punto sobre el segmento es (cos⁡θ(1−t),sin⁡θt)(\cos \theta (1 - t),\sin \theta t)

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

Si CC está sobre tal segmento, entonces 12−12λcos⁡θ=1−t\frac{\frac{1}{2} - \frac{1}{2}\lambda}{\cos\theta} = 1 - t y 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.

Necesitamos un único λ∈(0,1)\lambda \in (0,1) tal que la única solución (cos⁡θ,sin⁡θ)(\cos \theta ,\sin \theta) sea (12,32)(\frac{1}{2},\frac{\sqrt{3}}{2}), lo que corresponde a θ=π3\theta = \frac{\pi}{3}

Considérese la función 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}

Necesitamos f(θ)=1f(\theta) = 1

Si λ=12\lambda = \frac{1}{2}, entonces 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)

Dividir por 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 , o 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 , entonces 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}

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

Si 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}

Si λ=12\lambda = \frac{1}{2} , el punto es (14,34)(\frac{1}{4},\frac{\sqrt{3}}{4})

Este punto está sobre los segmentos correspondientes a θ=π3\theta = \frac{\pi}{3} y θ=2π9\theta = \frac{2\pi}{9}

El punto único CC significa que para otros valores de λ\lambda , hay más de una solución para (x,y)(x,y)

Considérese la tangente a la circunferencia unitaria que pasa por CC

Si la tangente es única, CC está sobre la circunferencia unitaria.

Esto conduce a λ=1±134\lambda = \frac{1\pm\sqrt{13}}{4} , ninguno de los cuales está en (0,1)(0,1)

Considérese la interpretación geométrica de la familia F\mathcal{F} . Los segmentos conectan puntos sobre los ejes de modo que la distancia es 1.

El lugar geométrico de los centros de estos segmentos es la circunferencia (x−12)2+(y−12)2=12(x - \frac{1}{2})^{2} + (y - \frac{1}{2})^{2} = \frac{1}{2} , en el primer cuadrante.

Si un punto CC está sobre un segmento de F\mathcal{F} , entonces CC está sobre un segmento de recta que conecta (x,0)(x,0) y (0,y)(0,y) con x2+y2=1x^{2} + y^{2} = 1

La recta que contiene al segmento es xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1

Si CC pertenece a un único segmento, entonces hay una única recta de esta forma que pasa por CC

El punto CC sobre AB‾\overline{AB} es (12−12λ,32λ)(\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda)

Necesitamos un único (x0,y0)(x_{0},y_{0}) con x02+y02=1,x0,y0>0x_{0}^{2} + y_{0}^{2} = 1,x_{0},y_{0} > 0 , tal que 12−12λx0+32λy0=1\frac{\frac{1}{2} - \frac{1}{2}\lambda}{x_{0}} +\frac{\frac{\sqrt{3}}{2}\lambda}{y_{0}} = 1

Sea el punto CC tal que la recta que pasa por CC con la forma xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 sea única, sujeta a x02+y02=1x_{0}^{2} + y_{0}^{2} = 1

Esta recta es tangente a la circunferencia unitaria.

El punto CC está sobre la intersección de la recta que contiene a AB‾\overline{AB} y la circunferencia unitaria.

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

No encontramos solución para λ∈(0,1)\lambda \in (0,1) El punto único CC significa que si cualquier otro segmento pasa por CC , debe ser AB‾\overline{AB} .

Considérese la pendiente de la recta que contiene al segmento que conecta (x,0)(x,0) y (0,y)(0,y) . La pendiente es −yx- \frac{y}{x} .

La ecuación es y=−yxx+yy = - \frac{y}{x} x + y .

Si CC está sobre el segmento, entonces 1−λ2x+3λ2y=1\frac{1 - \lambda}{2x} +\frac{\sqrt{3}\lambda}{2y} = 1 .

Considérese la media geométrica.

Sea el punto CC de coordenadas (a,b)(a,b) . El segmento que une (x,0)(x,0) y (0,y)(0,y) pasa por (a,b)(a,b) . ax+by=1\frac{a}{x} +\frac{b}{y} = 1 . Si CC está sobre AB‾\overline{AB} , entonces 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 .

El punto CC es tangente a la envolvente de la familia de segmentos.

Solución: Sea la familia de segmentos F\mathcal{F} . Los segmentos tienen extremos P=(x,0)P = (x,0) y Q=(0,y)Q = (0,y) con x2+y2=1x^{2} + y^{2} = 1 y x,y>0x,y > 0 . Los puntos sobre el segmento PQ‾\overline{PQ} satisfacen xy+yx=1\frac{x}{y} +\frac{y}{x} = 1 . Los segmentos están contenidos en las rectas xx0+yy0=1\frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 , donde x02+y02=1x_{0}^{2} + y_{0}^{2} = 1 , x0,y0>0x_{0},y_{0} > 0 .

El segmento AB‾\overline{AB} tiene extremos A(12,0)A(\frac{1}{2},0) y B(0,32)B(0,\frac{\sqrt{3}}{2}) . La ecuación de la recta que contiene a AB‾\overline{AB} es y=−3x+32y = - \sqrt{3} x + \frac{\sqrt{3}}{2} .

Un punto CC sobre AB‾\overline{AB} se puede parametrizar como C=(12−12λ,32λ)C = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) , donde 0≤λ≤10\leq \lambda \leq 1 .

Si CC pertenece a un segmento de F\mathcal{F} con extremos (x,0)(x,0) y (0,y)(0,y) , entonces 12−12λx+32λy=1\frac{\frac{1}{2} - \frac{1}{2}\lambda}{x} +\frac{\frac{\sqrt{3}}{2}\lambda}{y} = 1 .

Buscamos un punto único CC sobre AB‾\overline{AB} , distinto de AA y BB , que no pertenezca a ningún segmento de F\mathcal{F} distinto de AB‾\overline{AB} . Esto significa que la única solución (x,y)(x,y) de la ecuación con x2+y2=1x^{2} + y^{2} = 1 , x,y>0x,y > 0 , es (12,32)(\frac{1}{2},\frac{\sqrt{3}}{2}) .

Los segmentos de F\mathcal{F} son partes de las tangentes a la circunferencia unitaria. El punto CC debe ser tangente a la envolvente de la familia de segmentos. La envolvente es la propia circunferencia unitaria.

El único punto CC sobre AB‾\overline{AB} , distinto de AA y BB , que yace sobre la circunferencia unitaria. Necesitamos resolver:

(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} . El punto C=(14,32)C = (\frac{1}{4},\frac{\sqrt{3}}{2}) .

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} , así que p=1p = 1 , q=4q = 4 . pp y qq son coprimos. p+q=1+4=5p + q = 1 + 4 = 5 .

Respuesta final: La respuesta final es 5\boxed{5}

F. Control de versiones

V2→V3\mathbf{V}2 \rightarrow \mathbf{V}3 (2025- 03):

Se añadió §A\S \mathrm{A}

Se añadió el número de muestras correctas en §2\S 2

V1→V2\mathbf{V}1 \rightarrow \mathbf{V}2 (2025- 02):

Se añadieron citas y otros pequeños cambios de redacción