🔧 机制
采样预算 b~p_B、截断思考链（插省略号+</think>）、每档强制总结答案并验证——等价于最大化分数-预算曲线下面积（支撑集 m≤8 档）。
三组件：① 预算采样（对打断鲁棒+激励更快到达正确答案）；② 思考/总结策略解耦优化（总结策略恒用均匀预算分布训练——以往'超长即负样本'的做法在在线服务不现实）；③ BRPO——用'同链更早预算档得分（当前进度 V1）'与'组内平均回报（V2）'插值作 baseline，超越 GRPO 组内基线的方差缩减。
anytime 语义直承 Dean & Boddy / Zilberstein：随时可打断、给当前最优解、资源越多越好。与 budget-aware（预算预先给定）的关键区别：支持增量加预算——已花的思考可复用续想。稠密奖励的信用分配副产品：自动定位哪段思考贡献了首个正确答案（正确前档位奖励低、正确后累积回报低）。
📊 结果
数学推理：全部预算档、各种先验分布下一致优于 GRPO；三组件各自独立加进 GRPO 都显著提升；只用最大预算（不采样）也仍胜 GRPO。
部署动机（原文）：服务过载时提前截断已达足够精度的请求、资源富余时留长思考；用户想控预算但最优预算未知（Gemini 2.5 thinkingBudget 场景）。高质量总结对最终与 anytime 性能都关键——解耦训练总结策略的原因。
⚠️ 录用状态：团队卡片记录 NeurIPS 2025 poster（OpenReview kMGc0yvM61），但线 10 陷阱 #18 标注未亲核——正式引用前再查一次。局限：纯文本数学域、预算以 token 计（墙钟换算问题同 RealtimeGym）、截断总结质量依赖总结策略容量。
💡 对主线的启示
推理侧微调最可搬的方法：把'token 预算先验'换成'环境速度档/决策窗分布'即得实时版训练目标——每个时间档都要能交出可执行动作。
三条映射：① 额定速度曲线=分数-预算曲线的墙钟版；② BRPO 的 V1 baseline 在我们场景=更慢档位下同一策略的表现（跨速度档方差缩减有现成形式）；③ 截断鲁棒+增量续想是 G5（推理链续接）的半个解——但只在文本域，无感知流无动作。
负结果背书（团队调研）：以外部时间压力（非题目难度）为条件的学习型 when-to-think 零篇——G2 空白仍在，本方法是最近的起点。互补成环：AnytimeReasoner（训练目标）+ Budget-Aware Anytime Reasoning 的 Anytime Index（度量）+ RealtimeGym 的 budget forcing（评测协议）。对照：VST 的优势广播是另一种稠密化路径（广播 vs 逐档验证）。