如何在 CSP 考场上使用 AI 辅助编程？

_colin1112_ · 2026-10-04 12:42:22 · 休闲·娱乐

教程续集已出：如何在 CSP 考场上训练 AI 并辅助编程？

众所周知，CSP 考场是断网环境。理论上是无法使用 AI 的。

然而，我们充分发扬人类智慧，既然 AI 是由固定的机器进行运算，从而进行输出的，那我们为何不脱离机器，由人脑直接模拟 AI 呢？

那么，理论成立，实践开始。

:::warning[声明]

1. 本文章非常显然的，大量依赖于 AI，但是文章大致是没有问题的。
2. 文章纯属整活，请不要在正式考试时尝试使用该方法。

:::

:::info[信息] 受笔者电脑限制，本文章中的模型使用 Qwen-0.6b，思考模式关闭。

:::

一. 背诵完整模型信息

这是最简单，也是最无脑的一步。

以 Qwen3-0.6b 为例（显然的，赛场上不可能用这么低智的模型）：

1. 背诵完整权重

2. 背诵架构

3. 背诵分词器

• 256 个单字节 token：任何文本拆到字节，都能用它们表示。
• 151387 条合并规则：规定哪两段先合并、哪两段后合并，顺序也得背。比如题目里的 a+b，就被切成了 ' a' 和 '+b' 两个 token。
• 由此得到 151643 个普通 token（256 + 151387）。
• 26 个特殊 token，比如 <|im_start|>、<|im_end|>、<think>。
• 对话模板：题目要先套进这个格式，模型才知道哪段是用户说的、该从哪里开始回答。

至此，准备工作全部完成。你的大脑已经是一台没有显卡的 Qwen3-0.6B 了。

二. 读题，写提示词

开考，打开 T1。不妨假设它是 A+B Problem。

在草稿纸上写好提示词，套进对话模板：

<|im_start|>user
请用 C++ 解决下面这道题，只输出代码。
题目：输入两个整数 a 和 b（|a|,|b| ≤ 10^9），输出 a+b 的值。
输入样例：20 30
输出样例：50<|im_end|>
<|im_start|>assistant
<think>

</think>

三. 分词

模型不认字，只认编号。所以第一步，是把上面这段话切成 token。

分词分两步：

1. 预切分：先按固定规则把文本切成小段。比如 a+b 会被切成 a 和 +b，因为一串字母前面允许带一个非字母字符。
2. BPE 合并：每一小段先拆成字节，然后翻出背过的合并规则表，排名越靠前的规则越先用，能合就合，直到合不动为止。

以 a+b 为例：

汉字也是一样的道理：「输」「出」各自先由 3 个字节合成一个字，再用第 65762 条规则合成「输出」这一个 token（id 66017）。

整段提示词最终切成 73 个 token：

注意第 43、44 位：题目里的 a+b 被切成了 ' a' 和 '+b'，加号和 b 粘在了一起。

而等会儿模型自己写代码时，' +' 是单独的一个 token（id 488）。

四. 推理

大模型是 一个 token 一个 token 往外蹦的：每生成一个 token，都要把整个模型完整跑一遍，然后把新 token 接到末尾，再跑一遍。

整道题一共要生成 47 个 token。全写出来略有难度，所以我们随便挑一步完整跑一遍：

模型已经写到 std::cout << a，下一个 token 该写什么？

#include <iostream>

int main() {
    int a, b;
    std::cin >> a >> b;
    std::cout << a█

此时输入 token 是 ' a'，位于第 104 位（前面 73 个提示词 + 已生成的 31 个 token）。

1. 查表

' a' 的 id 是 264，到背过的词嵌入表里取出第 264 行，就是它的初始向量 h：

2. 第 0 层

每一层都做两件事：注意力 和 MLP。每件事之前先做一次 RMSNorm，做完把结果加回 h。

① RMSNorm：把向量缩放到统一尺度

1024 维都这么算一遍。

② 投影出 Q、K、V（以第 3 个头为例）