CBS 无需训练，让 beam search 在 MATH500 提升 8.2 分

作者团队提出无需训练的 CBS 方法，以「优秀推理」与「错误推理」上下文的 log-odds 差作为奖励，通过 beam search 近似 KL 正则化最优策略。CBS 无需 demo 或 verifier，MATH500（Qwen3.5-0.8B）较 beam search 提升 8.2 分至 48.0%，并在 HumanEval、GPQA 上验证。