核心秘诀：320万合成数据的「暴力美学」
NVARC方案最震撼的地方，在于他们构建了一个极其复杂的合成数据生成流水线。
他们没有依赖原本稀缺的几百个训练题，而是自己造了320万个！
他们的逻辑很简单：如果AI没见过类似的推理题，那就生成无穷无尽的类似题目让它看个够。
思路：合成数据、测试时训练（Test-timetraining）以及严谨的工程化。
数据生成的「四步走」战略
他们使用了一个120B参数的开源大模型（gpt-oss-120b），通过NeMo-Skills框架搭建了如下流水线：
- 收集描述（Descriptions）：收集ARC题目的人类自然语言描述（比如「把红色方块向右移动直到碰到墙壁」）。
- 混合重组（MixSummaries）：让LLM将两个不同谜题的描述「杂交」，生成一个新的、更复杂的谜题描述。这一步生成了26万+的新创意。
- 生成输入逻辑（InputLogic）：这是最关键的一步！他们不直接生成像素图，而是让LLM写Python代码来生成输入网格。为什么？因为代码蕴含了逻辑，比纯像素更「懂」推理。
- 生成输出逻辑（OutputLogic）：有了输入代码，再让LLM写出将输入变换为输出的Python代码（即解题规则）。
最终，他们构建了一个包含320万个增强样本的超级数据集！
