测试时数学推理中的预算边界效应

研究通过19,200条公开轨迹的配对离线回放，测量AIME、BrUMO和HMMT问题在4k、8k、32k token cap下的边界选择。发现严格停止会因前缀未完成而损失准确率，而advisory策略在低成本下准确率高于严格停止，但在高成本下低于严格32k。候选覆盖增加不保证准确率提升，相同cap下多数准确率差异缩小至1.3个百分点以内。