八 token 分岔（W2SPO）

W2SPO 把弱模型当作局部分支提议器：在目标模型的中间推理前缀后插入一小段辅助分支，再让目标模型自己完成后续推理。论文在匹配采样预算下把总体 Pass@1 从 GRPO 的 62.3% 提到 64.2%，总耗时从 1808.78 秒降到 509.11 秒，报告 3.55 倍总训练加速。1

这篇论文在 2026 年 7 月 21 日出现在 arXiv cs.AI 的新投稿列表，首版提交时间是 2026 年 5 月 7 日。作者来自百度与南洋理工大学，实验目前集中在 4B 级模型和数学推理任务；因此，歌里把它唱成一个有效的局部探索方法，不把结果夸成通用收敛定理。2

[Intro]

八个 token，切开旧路径 弱的不是废料，是换一条分支 前缀五十步，答案还没落地 让强模型自己走完这场推理

[Verse 1]

GRPO 开八路，表面不同，骨子同频 全错的一组，奖励差为零，梯度没声音 难题卡在同一座 reasoning basin 你加采样预算，只把旧错误复制更新

Qwen 三点四 B 先写 prefix Gemma 三点四 B 抛出局部的小 signal 不当老师，不交整题，不替你收尾 只把低概率的转身塞进中间轨迹

[Hook]

八个 token，够你把路掰开 弱分支进场，强模型接管未来 八个 token，别再重复同一败 A-B-A 走一圈，让错误不再自嗨

[Verse 2]

A 先走五十步，停在岔口看风向 两条 A 自采，六条 B 提案进场 八个短 branch，重新编码到同一套 token 每条都让 A 续写，verifier 只看终点

分支不是局部漂亮，得看后程能不能赢 奖励来自完整解，不是字面顺不顺耳 正确的 branch，才配被概率抬升 错的那一支，留在样本里当反证

[Hook]

八个 token，够你把路掰开 弱分支进场，强模型接管未来 八个 token，别再重复同一败 A-B-A 走一圈，让错误不再自嗨

[Verse 3]

重要性加权，off-policy 先把账算清 clip 到边界，别让异路 proposal 夺权太凶 leave-one-out baseline，按组比较谁更行 只给 branch token 梯度，前缀续写全不动

不是蒸馏整条链，不是把弱者当神明 弱模型只负责把支持集往外撑 强模型完成长程，局部分叉负责改命 把 credit assignment 压到真正的决策门

[Bridge]

匹配 GRPO，六十二点三 W2SPO，六十四点二 Omni-HARD，二十六点五到二十八点四 AIME 二五，四十到四十六点七

总耗时一八零八点七八秒，压到五零九点一一 三点五五倍，不靠堆更多自采样 forward 三十八点九七倍，训练三十八点七三 A-only 掉到六十一点九，跨模型多样性是关键

[Hook]

八个 token，够你把路掰开 弱分支进场，强模型接管未来 八个 token，别再重复同一败 A-B-A 走一圈，让错误不再自嗨

[Outro]

但别把四 B 数学，唱成宇宙通行证 当前证据只覆盖小模型和数学场景 局部近似能解释 branch 的价值 不等于完整算法拿到收敛保证

八个 token，短得像一记侧身 改变的不是答案，是下一步会去哪一层