医学188 题
—等待完整评测
MODEL IMPROVEMENT / ITERATIVE SFT
数据飞轮
正在推进让每一轮训练，都有结果可比较、有策略可追溯。
强模型生成可靠轨迹，固定集衡量能力变化；Astra 分析缺口、探索修复策略，重配数据后继续 SFT。
体验287 题
—等待完整评测
用药268 题
—等待完整评测
已完成 SFT上限 8 轮
0 轮当前保留 · 待评测
只发布同一冻结口径下的完整评测结果。 强模型轨迹：3426 / 5000；实际生成模型 gpt-5.6-sol。 三项分数均为真实评测值，不混入不同口径历史结果。
PERFORMANCE
每一轮，能力如何变化
纵轴：通过率 % · 横轴：训练轮次
↗
等待第一组真实分数起始模型与每轮 SFT 评测完成后，自动形成三条曲线。
实点为原始分数，虚线连接原始值；实线为 EMA 平滑趋势。晋升与停止只依据原始值，不依据平滑值。
TRAINING RESULTS
逐轮训练对比
| 模型轮次 | 训练数据量 | 训练阶段耗时 | 医学 ↑ | 体验 ↑ | 用药 ↑ | 模型选择 |
|---|---|---|---|---|---|---|
| 尚无新框架实跑记录。每轮完整评测后自动追加，不填充示例分数。 | ||||||
医学 / 用药：逐题 Rubric 通过率。体验：UX Judge 达标率（overallRating ≥ 3，且无协议泄漏）。Judge：gpt-5.6-sol · 最大工作线程 128，实际按 API × 模型自适应升降。评测统一使用 1011 修订输入；维护者补充触发边界 19 条。
ANALYSIS & NEXT ACTION
这一轮，发现什么、改变什么
训练完成后，展示能力短板、诊断分层、策略产出与下一轮数据配比。
答案改写Hint 重执行定向补数探索 Skill 1探索 Skill 2
分析来自独立训练池，不回灌评测题。策略图统计 Verify 合格产出，不等同于训练因果收益；末轮只保留分析与规划。
EXECUTION TIMELINE
完整推进过程
强模型生成→Verify→配比 + SFT→固定集评测→Astra 分析↺
新框架已就绪，尚无执行记录。
训练耗时包含提交、排队与等待模型 Ready；诊断采样包含在分析阶段耗时中，不重复计入轮次累计。