math-2026 协作说明:把数学建模备赛变成一套工作流
这篇文章写给我们队自己看。
离 9 月国赛还有大约一个月,我们的目标不是“参与一下”,而是尽量冲到省一等奖以上。要做到这个目标,光靠赛前临时翻资料、临场各写各的,风险太大。接下来一个月,我们需要把准备工作变成一套可复用、可沟通、可执行的工作流。
math-2026 仓库就是这个工作流的底座。
它不是资料越多越好,而是要让我们三个人在比赛时快速回答这些问题:
- 这道题适合用什么模型?
- 有没有类似的往年完整工程可以对照?
- 代码从哪里开始改?
- 图表应该怎么画才有说服力?
- 论文应该先写哪几块?
- 当前结果是否已经足够可信,可以进入下一问?
这篇文章的定位不是博客展示文,而是我们的队内说明书。之后所有经验总结也尽量写在博客里,math-2026 仓库本身只放工程、代码、模板、数据和可运行项目。
一句话共识
我们要做的不是“把资料攒齐”,而是建立一个比赛现场能跑起来的协作系统。
更具体一点:
- Windows 主要负责建模、跑程序、出结果图;
- Mac 主要负责论文写作、结构整理、图文表达;
- GitHub 负责两端同步;
- 博客负责沉淀经验、方法、复盘和队内说明;
math-2026仓库负责保存真正要运行和交付的工程资产。
也就是说:
1 | |
这句话后面一个月要反复拿出来检查。
当前仓库是怎么组织的
math-2026 当前大致分成这些部分:
1 | |
其中最重要的是三个入口:
code/:赛时改数据、跑模型、生成图表。templates/:赛时写论文,不临时折腾格式。past-problems/external-projects/:看完整工程,学习别人怎么把题目做完。
现在仓库里已经拉了不少完整工程,包括:
- 2020 B 穿越沙漠国一工程;
- 2023 A 定日镜场国一工程;
- 2023 B 多波束测线工程;
- 2023 C 蔬菜补货定价工程;
- 2024 A、2024 B 参考工程;
- 2025 B 碳化硅外延层厚度国奖/省奖对照;
- 2025 C NIPT 完整工程。
这些工程不是用来照搬的,而是用来建立直觉:优秀队伍怎么拆题、怎么建模、怎么出图、怎么写结论、怎么让代码和论文互相支撑。
最近又补了 5 个近年优秀工程,建议先按下面的顺序读:
| 工程 | 建议学习重点 | 适合谁先看 |
|---|---|---|
| 2024 A 板凳龙国一/数模之星 | 几何建模、动态搜索、碰撞检测、运动仿真图 | 建模手、代码手 |
| 2025 A 无人机烟幕四川省一 | 复杂物理场景拆解、优化变量设计、AI 使用说明、Overleaf 协作 | 全队一起看 |
| 2024 B 企业生产国二 | 0-1 决策、仿真流程、递归风险的假设处理 | 建模手 |
| 2025 C NIPT 湖北省一 | 数据建模、交叉验证、动态规划、异常识别 pipeline | C 题方向、代码手 |
| 2024 C 农作物种植广东二等奖 | 完整交付、数据处理链、结果表格,也作为“模型局限”反例 | 论文手、代码手 |
读这些工程时不要平均用力。我们的读法应该是:
1 | |
如果只看模型名,很容易误判。真正值得学的是“题目要求 -> 模型选择 -> 求解算法 -> 图表证据 -> 论文结论”这条链有没有闭合。
我们以后怎么分工
为了减少沟通成本,建议按照“三条线”推进。
1. 建模线
主要负责:
- 读题,拆每一问的输入、输出、约束、评价指标;
- 确定基础模型和备选模型;
- 把题目语言翻译成变量、目标函数、约束条件;
- 判断模型结果是否足够可信;
- 决定什么时候该换模型,什么时候该停止折腾。
建模线最重要的产出不是长篇解释,而是这些东西:
1 | |
这套格式简单,但能极大减少“我以为你知道”的沟通。
2. 代码线
主要负责:
- 数据清洗;
- 模型实现;
- 参数搜索;
- 结果复现;
- 生成图表;
- 保存中间结果。
代码线每完成一个小任务,最好不要只说“跑完了”,而是给出:
1 | |
特别注意:比赛时不要让关键结果只存在于 notebook 输出里。重要结果要落成文件:CSV、XLSX、PNG/PDF、TXT 都可以。
3. 论文线
主要负责:
- 摘要;
- 小标题和全文结构;
- 问题重述与问题分析;
- 模型假设、符号说明;
- 结果解释;
- 图表排版;
- 最终提交格式检查。
论文线不能等全部算完才开始。最晚在选题后 6 小时内,就应该有论文骨架:
1 | |
论文线的核心任务不是“润色”,而是把我们做的事变成评委能快速读懂、愿意相信的证据链。
一个重要改变:经验写博客,工程留仓库
以后经验文档不再优先写进 math-2026 仓库。
原因很简单:仓库应该保持轻、稳、可运行。经验总结、读论文复盘、队内沟通规范、赛后反思,都更适合写在博客里。
这样分开以后:
- 队友想知道“怎么协作、怎么读论文、怎么画图”,看博客;
- 队友想跑代码、看模板、找数据,看仓库;
- 比赛现场不会在仓库里翻一堆长 Markdown 找重点;
- 博客可以持续更新,不影响工程目录稳定性。
以后我们可以把博客当作队伍的“方法手册”,把仓库当作“工具箱”。
AI 工具应该怎么用
我们可以用 AI,但不能把 AI 当成“替我们比赛的人”。更准确地说,AI 在我们队里的角色应该是:
1 | |
它适合做这些事:
- 帮我们把题目拆成输入、输出、变量、约束和评价指标;
- 帮我们列可选模型,并比较每个模型的适用条件;
- 帮我们检查代码是否能复现论文里的结果;
- 帮我们把粗糙结论改成论文式表达;
- 帮我们设计图表清单;
- 帮我们发现假设、验证和敏感性分析里的漏洞;
- 帮我们整理 AI 使用记录,方便后续写说明。
它不应该替我们做这些事:
- 直接决定选题;
- 编造数据、结果或参考文献;
- 在没看附件的情况下给“最优方案”;
- 把无法验证的模型包装成确定结论;
- 代替我们承担最终建模判断。
一句话:
1 | |
OpenAI 官方文档对提示词的建议也很朴素:重要任务要说清目标、上下文、输出格式和边界;不需要迷信固定格式,但要把会改变结果的信息提供出来。对 Codex 这类能操作代码和文件的工具,还要说明相关文件、保留约束和验证方式。我们把这个原则翻译成数模赛时格式。
数模提示词的通用格式
比赛时不要只说:
1 | |
这太空了。更好的提示词应该长这样:
1 | |
可以把它压缩成四个词:
1 | |
其中“边界”最容易被忽略,但它决定了 AI 是不是会开始胡跑。比如:
1 | |
这些话看起来像废话,其实是保险丝。比赛时人很累,AI 也可能顺着你的焦虑往前冲;边界写清楚,能避免我们把“像答案的东西”误当答案。
根据题型写提示词
不同题型,提示词重点不一样。
A 题:几何 / 物理 / 仿真
A 题常见问题是场景复杂、变量多、空间关系绕。提示词重点应该是“把物理场景转成可计算对象”。
1 | |
这类提示词的关键是逼 AI 先做“对象建模”,而不是一上来就推荐粒子群、遗传算法。A 题如果对象没有建清楚,后面所有优化都会晃。
B 题:工程 / 机理 / 优化
B 题通常有流程、成本、效率、风险、设备、策略。提示词重点应该是“先画流程,再建目标函数”。
1 | |
B 题很怕“模型很大但逻辑断了”。所以提示词要专门要求 AI 检查流程异常,比如死循环、重复成本、约束冲突。
C 题:数据 / 统计 / 预测 / 决策
C 题最容易被 AI 带偏成“模型名大杂烩”。提示词重点应该是“先看数据,再决定模型”。
1 | |
C 题的高分点通常不是“用了机器学习”,而是“知道为什么用、怎么验证、结果是否稳”。提示词要把 AI 往验证链上拉。
分阶段使用 AI,而不是一次性问完
比赛时最好的用法不是让 AI 一次性生成整篇论文,而是分阶段推进。
| 阶段 | AI 适合做什么 | 我们要检查什么 |
|---|---|---|
| 读题 0-2 小时 | 拆输入输出、列变量、找约束 | 是否遗漏题目要求 |
| 建模 2-8 小时 | 比较模型、写目标函数、找风险点 | 假设是否合理 |
| 编码 6-24 小时 | 写脚本、查 bug、整理输出文件 | 结果是否可复现 |
| 出图 12-36 小时 | 设计图表、解释每张图证明什么 | 图是否支撑结论 |
| 写作 24-60 小时 | 改摘要、润色段落、检查逻辑 | 是否夸大结果 |
| 收尾 60-72 小时 | 查格式、查符号、查图表引用 | 是否与代码结果一致 |
每个阶段都要让 AI 输出“可检查的东西”,比如变量表、约束表、代码 diff、图表清单、摘要草稿、风险列表。不要让它只输出一大段看起来很完整的散文。
我们应该怎样使用 Skill
Skill 可以理解成“给 AI 装一份固定工作手册”。官方文档里说,Skill 适合把可重复工作、模板、示例、流程说明打包起来,让 ChatGPT 或 Codex 在遇到类似任务时按同一套方法做。
这正适合数学建模备赛。我们有很多反复出现的任务:
- 读题拆解;
- 数据质量检查;
- 模型选择;
- 图表审查;
- 论文摘要审稿;
- AI 使用记录整理;
- 最终提交前检查。
这些任务每次都靠临时提示词,容易漏步骤。更好的办法是慢慢沉淀成 Skill。
我建议我们后面至少做 5 个队内 Skill:
| Skill 名 | 用途 | 触发方式示例 |
|---|---|---|
cumcm-problem-reader |
通读题目,拆输入输出、变量、约束、每问关系 | $cumcm-problem-reader 读这份 A 题题面 |
cumcm-data-auditor |
检查附件字段、缺失值、异常值、单位、数据字典 | $cumcm-data-auditor 审查这个 Excel 附件 |
cumcm-model-reviewer |
审查模型闭环、假设、目标函数、约束和验证 | $cumcm-model-reviewer 检查我们第 2 问方案 |
cumcm-figure-reviewer |
判断图表是否支撑结论,给重画建议 | $cumcm-figure-reviewer 看这些图够不够进论文 |
cumcm-paper-referee |
像评委一样审摘要、逻辑链、符号、结果一致性 | $cumcm-paper-referee 审这版论文摘要 |
Skill 的重点不是让 AI 更“神”,而是让它更稳定。比如 cumcm-paper-referee 每次都必须检查:
1 | |
这比每次临时说“帮我看看论文”可靠得多。
一个可以直接复制的 Skill 草案
后面我们可以真的把它做成 Codex Skill。先把草案放在这里,方便队友理解。
1 | |
等我们连续用几次后,再把真实有效的版本固化到 Codex Skill 里。这个过程很像训练自己的“第二大脑”:不是让 AI 变成队长,而是把我们的判断标准变得可重复。
AI 使用记录怎么写
如果比赛要求说明 AI 使用情况,我们不要最后临时回忆。建议从训练开始就按这个格式记录:
1 | |
例子:
1 | |
这个记录不是形式主义。它能保护我们,也能倒逼我们把 AI 当工具用,而不是当黑箱答案机。
AI 使用的底线
最后,队里要有几条底线:
- 所有最终数字必须来自我们能复现的代码或人工计算。
- 所有题目假设必须由队伍确认,不能直接照抄 AI 建议。
- 所有参考文献必须能查到真实来源。
- AI 给出的模型名不等于模型成立。
- AI 写出的漂亮段落,如果没有图表或数字支撑,就删掉或降级表述。
我很喜欢的一句判断标准是:
1 | |
这句话听着有点绕,但很适合比赛:速度可以借助工具,可信度必须靠我们自己守住。
2025 B 给我们的提醒
最近我们对比了 2025 B “碳化硅外延层厚度的确定”的两份论文:一份国奖,一份省级奖项。
差距很有启发。
省奖论文也写了很多正确内容:菲涅尔方程、色散模型、多光束干涉、厚度计算、误差分析。它不是不会做,而是更像把许多模块堆在一起。
国奖论文更强的地方,是它把所有东西连成了一条链:
1 | |
这个例子给我们的核心提醒是:
- 公式多不等于论文强,模型闭环才重要。
- 图表不是装饰,而是证据。
- 误差分析不能泛泛罗列,要说明是否影响最终结果。
- 每一问都要说明它对下一问有什么作用。
- 结果要可复现,不能只靠文字声称。
这件事对我们冲省一以上非常关键。高奖项论文通常不是“看起来很努力”,而是让评委觉得:这个队每一步都知道自己在干什么。
如果我们倾向选择物理 / 工程类题
目前我的判断是:如果赛题里出现类似 2025 B 碳化硅外延层厚度、2025 A 烟幕干扰弹、2024 A 板凳龙、2023 A 定日镜场、2023 B 多波束测线这类题,我们可以认真考虑。
这类题的共同点是:题目看起来复杂,但只要把物理对象、运动关系、几何判据和数值求解链条理清楚,就比纯数据题更容易做出“我们真的理解了问题”的质感。它不一定简单,但对工科背景更友好。
可以把这类题理解成六步:
1 | |
其中最关键的一步不是“优化”,而是“判据”。比如:
- 2025 A 的核心不是粒子群,而是“什么时候算有效遮蔽”;
- 2025 B 的核心不是 FFT,而是“干涉条纹和厚度之间的物理关系是否成立”;
- 2024 A 的核心不是搜索算法,而是“板凳之间是否碰撞”;
- 2023 B 的核心不是多目标规划,而是“测线覆盖宽度和重叠率怎么算”;
- 2023 A 的核心不是布局优化,而是“太阳、镜面、集热器之间的光线关系怎么算”。
所以赛时如果我们选这类题,第一件事不是问“用什么算法”,而是问:
1 | |
只要这个函数可信,后面可以用网格搜索、二分搜索、PSO、差分进化、局部优化,甚至多种算法交叉验证。反过来,如果这个函数不可信,算法越复杂越危险。
外部资料也印证了这个训练方向。中国大学生在线的赛题讲评页集中整理了近年官方讲评入口,包括 2025 A 烟幕干扰弹、2025 B 碳化硅、2024 A 板凳龙、2023 A 定日镜场、2023 B 多波束等题目;优秀论文展示页也按年份给出了论文展示入口。这些资料不一定直接给我们代码,但很适合用来校准“评委希望看到什么样的建模链条”。
建议后面专项训练时优先看这些入口:
- 中国大学生在线:数学建模赛题讲评
- 2025 A 题讲评:烟幕干扰弹的投放策略
- 2025 B 题讲评:碳化硅外延层厚度的确定
- 2024 A 题讲评:板凳龙闹元宵
- 2023 A 题讲评:定日镜场的优化设计
- 中国大学生在线:数学建模竞赛论文展示
- 大学生数学竞赛网:全国大学生数学建模竞赛优秀论文汇总(2010-2025)
物理 / 工程类题的选题判断
如果正式比赛时我们想选这类题,建议用下面这个表做快速判断。
| 判断项 | 适合选 | 不适合选 |
|---|---|---|
| 题目对象 | 能画出清楚的物理对象和空间关系 | 读完后连对象状态都说不清 |
| 判据 | 能写成距离、角度、时间、能量、覆盖率、误差等可计算量 | “有效”“好坏”“影响”只能靠文字解释 |
| 数据 | 数据量中等,可用于验证模型或反演参数 | 数据格式混乱且没有物理解释能力 |
| 代码 | 能在 6 小时内写出最小仿真器 | 连最小算例都难以复现 |
| 图表 | 可以画轨迹、几何示意、拟合图、残差图、收敛曲线 | 只能画一堆无关柱状图 |
| 论文 | 物理推导能讲清楚,结果能闭环 | 只能堆算法名,没有机制解释 |
我的个人倾向是:如果题面给出明确几何关系、运动规则、物理过程或实验数据,且我们能在选题后 2 小时内写出最小仿真器,那这类题值得押。如果前 2 小时只是在争论“题目到底什么意思”,就要谨慎。
2025 A 烟幕工程给我们的经验
新拉下来的 2025-A-smoke-moni2026-python 很值得看。它不是完美工程,但特别适合我们学习“技术同学如何把物理题工程化”。
它最值得学的地方是这条链:
1 | |
这条链的精髓在于:它先把“给定一组投放参数,能遮蔽多久”做成一个仿真函数,再谈优化。这个顺序非常重要。
我们可以把它抽象成一个可复用模板:
1 | |
后面不管是烟幕、板凳龙、定日镜、多波束,还是其他工程类题,都可以先写这个 score(params)。有了它,算法只是外壳;没有它,算法就是空转。
这个工程还有几个具体经验:
-
目标不能偷懒成一个点。 烟幕题里的真目标是圆柱体,工程把圆柱表面离散成关键点,再判断所有关键点是否被遮蔽。这比“算球心到导弹—目标中心线的距离”更可信。
-
多弹协同不能简单相加。 多个烟幕云团可能在时间上重叠,也可能互补遮挡目标的不同关键点。论文里必须说明联合遮蔽时长怎么计算,不能把每枚弹单独时长直接相加。
-
优化要热启动。 先做单弹或低维粗搜,得到可接受解,再扩展到多弹、多机、多导弹的高维优化。这比直接在 40 维空间里随机乱撞稳得多。
-
粗算和精算要分开。 粗搜索可以用少量关键点和较大时间步长,最终结果必须用更密的关键点和更小时间步长复算。否则搜索速度和结果可信度很难兼顾。
-
工程复盘比结果数字更值钱。 这个工程自己的诊断报告指出,项目里存在两套流水线:一套是完整 PSO 架构,一套是更快但简化的搜索。README 里的结果未必是最强结果。这提醒我们:比赛时必须明确“最终数字来自哪个脚本、哪个参数、哪次运行”。
它也给我们一个论文避坑:技术强不代表论文自然强。这个工程的论文工作稿里有明显的机器同义改写痕迹,术语出现“迷惑、牵制、完善、布设”等混用。比赛论文宁可朴素,也要术语稳定。比如烟幕题统一用:
1 | |
不要为了显得高级,把同一个概念换十种叫法。
物理类论文的图表清单
如果我们赛时选物理 / 工程类题,建议优先准备这些图,而不是临时乱画:
| 图 | 用途 |
|---|---|
| 场景示意图 | 让评委一眼知道对象、坐标系和约束 |
| 物理过程时序图 | 说明对象状态如何随时间变化 |
| 判据几何图 | 解释遮蔽、碰撞、覆盖、反射、干涉等核心判据 |
| 轨迹 / 布局图 | 展示最终方案是否符合空间约束 |
| 指标随时间变化图 | 展示什么时候有效、什么时候失效 |
| 优化收敛曲线 | 说明搜索过程不是拍脑袋 |
| 参数敏感性图 | 说明结论是否稳定 |
| 结果对比表 | 对比基线方案、粗算方案、精算方案、最终方案 |
物理类题最怕论文只写公式,不给直观图。我们的目标是让评委在图上就能看懂“这个模型为什么成立”。
比赛现场的物理题流程
如果最终选择类似 2025A/2025B 的题,建议按这个节奏推进。
选题后 0-2 小时:
1 | |
2-6 小时:
1 | |
6-18 小时:
1 | |
18-36 小时:
1 | |
36-60 小时:
1 | |
最后 12 小时:
1 | |
这套流程不炫,但可靠。物理 / 工程类题的优势就在于:只要我们把对象、判据、仿真、优化、验证讲清楚,论文会天然有骨架。
新拉 5 个工程给我们的经验
这 5 个工程放在一起看,很像一组赛前训练样本:有国一/数模之星,有省一,有国二,也有作者主动复盘不足的省二。它们最有价值的地方不是告诉我们“某个题该用什么算法”,而是帮助我们建立判断标准。
1. 2024 A:强论文会把复杂几何变成可执行搜索
2024 A 板凳龙工程的特点很鲜明:问题本身是几何、运动学和碰撞检测混在一起,但论文没有停留在“描述很复杂”。它把问题拆成了几条可计算链:
1 | |
它给我们的经验是:A 题不要怕几何复杂,关键是要尽早把“形状语言”翻译成“可递推、可搜索、可验证”的程序对象。比如位置函数、距离函数、碰撞阈值、速度上界,这些都比泛泛写“建立运动模型”更有说服力。
赛时如果选 A 题,我们要尽快问:
1 | |
这类题的论文强弱,往往不取决于公式多漂亮,而取决于“几何直觉是否被程序稳定复现”。
2. 2025 A:复杂优化题要先定义“遮蔽是否有效”
2025 A 无人机烟幕工程非常值得全队看。它的摘要里每一问都有明确的决策变量、优化目标和关键结果,例如遮蔽时长、航向角、速度、投放/起爆时刻等。
这类题最重要的经验是:在优化之前,先把判定规则讲清楚。
如果“有效遮蔽”没有定义好,后面粒子群、遗传算法、二分搜索跑得再热闹,评委也会怀疑结果。优秀论文的做法是先建立运动轨迹,再建立遮蔽判据,再谈优化策略。顺序不能反。
对我们来说,这可以变成一个硬规则:
1 | |
这个工程还有一个额外价值:它包含 AI 工具使用说明和 Overleaf 协作材料。2026 年我们自己也会使用 AI/Codex 辅助准备和比赛,必须提前形成透明、可追溯、可解释的使用习惯。AI 可以帮助检查表达、整理代码、生成辅助脚本,但关键建模判断、结果解释和最终提交责任必须由我们自己承担。
3. 2024 B:好的假设不是“简化”,而是防止模型失控
2024 B 企业生产过程工程的 README 很值得学习。它面对的是多步生产、多个 0-1 决策变量和返修/拆解流程。作者特别说明了为什么要引入假设来避免递归过深和无限循环。
这件事很关键。很多论文的模型假设只是模板化写几句“忽略影响”“数据真实可靠”。但真正好的假设,是为了解决模型边界问题:
1 | |
B 题常见陷阱就是流程复杂、约束多、变量多。我们不能只把它写成一个巨大优化问题,而要先画清楚流程图,再把每一个流程节点翻译成成本、收益、概率或状态转移。
这类题建议优先产出:
1 | |
只要流程没画清楚,先不要急着写优化算法。
4. 2025 C:C 题高分的关键是“验证链”
2025 C NIPT 湖北省一工程的 README 很细,几乎把每一问的算法流水线都写出来了:Spearman 相关、GBDT、交叉验证、置换检验、特征重要性、动态规划、前缀和优化、Bootstrap、异常评分、分层阈值。
它给我们的最大提醒是:C 题不是“会用机器学习”就行,而是要证明模型可信。
一篇强 C 题论文通常会同时回答:
1 | |
所以如果我们赛时选 C 题,代码线不能只输出预测结果,还要同步输出验证材料:
1 | |
这些东西会显著提高论文可信度。尤其是省一以上,评委更关心“你怎么知道这个结果靠谱”,而不只是“你得到了什么结果”。
5. 2024 C:完整交付很重要,但不能用图表掩盖模型短板
2024 C 农作物种植工程很完整:代码、图表、答案表格、项目总文件都比较齐。它适合学习数据处理链和最终交付组织方式。
但它更值得学习的是作者的复盘:作者明确提到,当时蒙特卡洛是相对稳妥的替代方案,但不是最理想的求解方法;灵敏度分析也存在逻辑问题。
这给我们一个很现实的提醒:比赛时有时确实需要用“稳妥方案”把题做完,但论文不能把临时方案包装成完美方案。正确做法是:
1 | |
工程完整可以保底,但高奖项还需要模型质量、验证质量和写作质量一起在线。最后几小时尤其要警惕:不要为了“看起来高级”加一段自己也解释不清的分析。
从这些工程提炼出的赛时规则
为了让这些经验真的变成比赛能力,我们把它们压缩成几条队内规则。
规则一:每一问都要有“小闭环”
每一问至少要闭合成:
1 | |
如果某一问没有结果数字,论文会虚;如果没有图表证据,结论会飘;如果没有说明对下一问的作用,全文会散。
规则二:摘要必须像“结果索引”
优秀论文的摘要不是写情绪,也不是写过程流水账,而是结果索引。评委看摘要,应该马上知道我们每一问做了什么、得到了什么、可信度如何。
摘要草稿可以按这个模板写:
1 | |
这里的 XXX 尽量填数字、区间、阈值、误差、时间、收益、比例,而不是只填“较好”“合理”“有效”。
规则三:图表先列清单,再开始画
比赛时不要等论文写到一半才想“这里放个图吧”。选题后 6 小时内,论文线和代码线应该一起列图表清单:
1 | |
每张图都要写一句“它证明什么”。如果说不出来,就先不要画。
规则四:代码输出必须能回填论文
代码线每跑完一次关键脚本,必须能给论文线这 5 个东西:
1 | |
不要只发截图,不要只发 notebook 输出,也不要让论文线自己去猜哪个文件是最终版。比赛时最消耗人的不是不会建模,而是“结果到底在哪里”。
规则五:模型边界要主动说明
如果模型有近似、随机性、局部最优风险、数据假设或算法替代方案,要主动写清楚。主动说明边界不是示弱,反而会让论文更可信。
但说明边界必须配证据:
1 | |
这也是我们接下来一个月最应该训练的能力:不是把模型说得完美,而是把模型说得可靠。
图表的最低标准
比赛时每张图都要回答一个问题。
不要为了“论文看起来丰富”而放图。图必须服务论证。
常见图表任务如下:
| 图表类型 | 它应该证明什么 |
|---|---|
| 流程图 | 我们怎么求 |
| 拟合图 | 模型准不准 |
| 残差图 | 误差在哪里 |
| 灵敏度图 | 结论稳不稳 |
| 收敛曲线 | 优化是否可靠 |
| 对比表 | 为什么这个方案更好 |
| 地图/布局图 | 空间方案是否满足约束 |
每次准备放图前,问四句话:
1 | |
如果答不上来,就不要放,或者重画。
摘要的最低标准
摘要是第一页,也是评委决定是否继续认真读的地方。
我们的摘要必须包含:
- 总体建模思路;
- 每一问的方法;
- 每一问的关键数字或明确结论;
- 模型检验或可信度说明;
- 关键词。
不要写成:
1 | |
要写成:
1 | |
摘要里没有数字,论文可信度会明显下降。哪怕是阶段性结果,也要尽量给出可交付的量化结果。
未来一个月怎么准备
剩下一个月不能平均用力。建议按四个阶段推进。
第一周:建立共同语言
目标:三个人对仓库、模板、常见题型和论文标准有共同理解。
要做:
- 每个人把
math-2026拉到本地并跑通环境; - 至少共同精读 2025 B 国奖工程;
- 每个人选一个完整工程做 10 分钟讲解;
- 明确 Windows/Mac/GitHub 的协作流程;
- 确定论文模板和图表风格。
这一周的重点不是做难题,而是让大家说同一种话。
第二周:专项能力补齐
目标:把常见模型变成能跑的能力。
建议按题型练:
- B 题:物理/工程建模、优化、灵敏度分析;
- C 题:数据清洗、预测、评价、分类、决策优化;
- A 题:几何、物理、仿真、参数搜索。
每次练习都要产出三件东西:
1 | |
没有论文式结论的练习,不算闭环。
第三周:全流程模拟
目标:至少做一次接近真实比赛节奏的模拟。
模拟时不要只跑模型,要模拟完整流程:
- 读题选题;
- 分工;
- 建模;
- 编码;
- 出图;
- 写摘要;
- 写正文;
- 做提交检查。
模拟结束后重点复盘:
- 哪一步沟通最慢;
- 哪个结果无法复现;
- 哪张图无法支撑结论;
- 哪段论文最难写;
- 哪个文件命名或同步方式造成混乱。
这些问题比多刷一篇题更值钱。
第四周:收敛和减法
目标:停止大规模扩展,形成稳定工具链。
这一周不要再疯狂收集资料,而是做减法:
- 固定论文模板;
- 固定图表风格;
- 固定常用脚本入口;
- 固定文件命名规范;
- 固定提交检查清单;
- 固定队内沟通格式。
赛前最后几天,最重要的是稳定,不是新鲜。
赛时沟通格式
比赛现场不要只发“我跑完了”“这个有问题”“你看看”。这种话信息量太低。
建议统一用短格式。
建模讨论格式
1 | |
代码结果格式
1 | |
论文写作格式
1 | |
这个格式看起来麻烦,但能让沟通更快。省一以上的目标,靠的是少犯低级协作错误。
赛时停止规则
我们还需要提前约定什么时候该停。
建议:
- 一个模型连续两轮改动都没有改善,就先回到数据和假设,不要盲目调参。
- 超过 30 分钟没有新证据,就不要继续空想,必须产出图、表、数值或反例。
- 最后 12 小时原则上不大换模型,只修正明显错误。
- 最后 6 小时优先摘要、图表、格式、结论一致性。
- 任何一个关键结论,如果无法被图表或数值支撑,就降级表述,不要硬吹。
这些规则不是保守,而是为了确保最终论文能交付。
我们最终要交付什么
比赛结束时,真正交付的不是代码,也不是我们脑子里的思路,而是一篇论文。
高质量论文至少应该满足:
- 摘要有方法、有数字、有结论;
- 每一问都有小闭环;
- 模型和代码能对应;
- 图表能证明关键结论;
- 误差和灵敏度分析不空泛;
- 结果能回应题目要求;
- 附录代码和正文结果不矛盾;
- 格式干净,没有明显排版事故。
如果我们能在一个月里把这些变成习惯,比赛时会从容很多。
最后
这篇文章之后会继续更新。它不是一次性写完的总结,而是我们队接下来一个月的沟通底稿。
后续如果有新的读论文经验、模拟赛复盘、图表规范、摘要模板,都优先补到博客;math-2026 仓库保持工程化,少放长篇经验 Markdown。
目标很明确:省一等奖以上。
方法也很明确:少一点临时发挥,多一点可复用流程;少一点各干各的,多一点证据链协作。
接下来一个月,把这套系统磨出来。