测试时扩展（Test-time scaling）是一种语言建模的有前景新方法，通过在测试阶段引入额外的计算资源来提升模型性能。近期，OpenAI 的 o1 模型展示了这一能力，但未公开其具体方法，从而引发了大量复现尝试。我们致力于探索实现测试时扩展与强大推理能力的最简方法。首先，我们构建了一个名为 s1K 的小型数据集，包含 1,000 个问题及其对应的推理过程，其筛选基于三个经消融实验验证的关键标准：难度、多样性与质量。其次，我们提出“预算强制”（budget forcing）机制，通过强制终止模型的思考过程，或在模型试图结束生成时反复添加“Wait”（等待）来延长其输出，从而有效控制测试阶段的计算开销。该机制可促使模型对答案进行复核，常能修正错误的推理步骤。在 s1K 数据集上对 Qwen2.5-32B-Instruct 语言模型进行监督微调，并结合预算强制机制后，我们的模型 s1 在竞赛类数学题上的表现超越了 o1-preview，最高提升达 27%（在 MATH 和 AIME24 数据集上）。此外，通过在预算强制机制下对 s1 进行扩展，可实现无需测试时干预的性能外推：在 AIME24 上从 50% 提升至 57%。我们的模型、数据集与代码已开源，地址为 https://github.com/simplescaling/s1。