瑶瑶宝2026年美赛（MCM/ICM）的整体思路，说实话，每年到了这个时候，我都会被问同样的问题：赛前准备了大半个月，看过一大堆优秀论文，各种模型的名字都能背出来，可真正拿到题目，还是不知道从哪下手。
这篇文章不打算讲那些玄乎的“获奖秘籍”，也不做空泛的备赛动员。我想用一篇完整、可直接参考的思路拆解，把美赛从拿到题目到提交论文这四天的流程、坑点、核心算法选型、代码怎么落地说清楚。尤其是那些在优秀论文里看不见，但真正影响成绩的操作细节。
如果你正打算参加2026年的MCM/ICM，或者已经报名但还没想清楚整个作战计划，这篇文章值得你花二十分钟认真看完。
1. 先把2026年美赛的“底牌”摸清楚：赛题规律与组队路线
1.1 MCM和ICM到底在考什么，以及2026年可能的变化方向
很多人对美赛有个误解，以为它是国赛的英文版。这个认知会害死人。
MCM/ICM虽然和国赛一样都是数学建模竞赛，但命题逻辑差别非常大。国赛的题目更偏向工程应用，数据通常给得比较完整，考查的是你在有限条件下建立模型、解决问题的基本功。美赛的题目更偏向科研探索和实际问题，有些题目会相当“开放”，甚至需要你自己去确定研究范围、定义评价指标。
具体来说，2026年MCM仍然会保留A、B、C三题，ICM保留D、E、F三题。根据我这几年的观察，出题风格已经出现了几个值得注意的趋势：
- A题（连续型）对物理机理的考查越来越深，纯粹套一个微分方程再跑个龙格库塔的时代已经过去了，阅卷人会更看重你对边界条件、参数敏感性的讨论。
- B题（离散型）近年很喜欢和算法复杂度、资源调度结合，有时会要求你给出“可持续性”方面的讨论，不仅仅是算出最优解。
- C题（数据型）的数据量逐年变大，数据清洗和特征工程的权重肉眼可见地在上升，有时还会混入文本类的非结构化数据。
- D题（运筹学/网络）几乎每年都会涉及网络优化或者流量建模，2026年大概率还会结合一些新兴场景。
- E题（环境科学）一直是最“文科”的题目，写作量巨大，而且它不追求复杂的数学模型，追求的是如何用模型支撑你的环境政策建议。
- F题（政策/社会科学）和E题类似，但更加看重政策的落地性，题目经常给你一个虚构的机构或组织，要你给出系统性的解决方案。
如果看到这里你还没觉得自己选错了赛道，那接下来要做的，是根据队伍的擅长方向把六个题快速分成“第一梯队”和“第二梯队”。不要等拿到题目才现场分析，那是浪费时间。
1.2 一个能打的队伍配置和赛前任务清单
组队这件事，大家常说“三个人三种分工”，但实际执行中问题很多。建模的看不起写代码的，写代码的嫌弃写论文的，写论文的又跟不上另外两个人的思路——最后一天一锅粥。
我见过的高效组合，其实是这三种角色：
- 建模手（1人）：负责把题目翻译成数学语言，掌握常见的模型框架，能快速判断哪类问题用什么模型。不一定需要亲自把所有代码写完，但必须清楚每个模型的输入、输出和适用边界。
- 编程手（1人）：负责把模型变成可运行的代码，Python为主，必须熟练使用numpy、pandas、scipy、sklearn、matplotlib，最好会一点PyTorch或者TensorFlow的调用。
- 写作手（1人）：负责论文结构、图表绘制、语言润色。不要以为写作手只是“打字员”，好的写作手能从题目里挖掘出建模手和编程手没注意到的隐藏要求。
赛前一周的任务清单，我的建议是有三条优先级：
- 把队伍里每个人的代码环境统一好，不要赛前一天才发现某个人没有装某个库。
- 下载近三年的美赛特等奖论文，每个题型的获奖论文看两篇，重点不是看模型，而是看目录、图表和摘要。
- 准备一份队伍自用的“赛前工具箱”，包括数据处理模板、画图模板、LaTeX排版模板或Word排版模板、常用算法的核心代码片段。
第三点我会在后面专门讲。这个工具箱能让你在第一天下午就把论文框架搭起来，而不是在最后一天六小时疯狂赶工。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 拿到题目的前三个小时：读题、判题、定题的全流程
2.1 怎么把六道题快速“过滤”到只剩两道
美赛的题目会在北京时间早上六点放出，而真正的思考不应该从六点才开始。我认识的不少获奖队伍，其实在前一天晚上就已经把六道题的“预案”想好了——哪类题是队伍最擅长的，哪类题坚决不碰。
这里有一个关键的判断指标：不是选“看起来最简单的”，而是选“队伍最有把握做出亮点”的。
六点拿到题目后，我的习惯做法是：每个人先用四十分钟独立把六道题的通篇都读一遍。注意，是通篇。不要因为A题看起来很长就直接跳过，也不要因为F题全是文字就草草略过。
四十分钟后，三个人坐在一起，各自给出自己的排序，并说明选择的理由。出现分歧很正常，这时候需要引入几个硬性过滤条件：
- 题目里是否有大量需要外部数据支撑的内容？如果有，你们是否已经有了可靠的数据来源？
- 题目是更偏机理建模，还是更偏数据分析？这决定了队伍的核心战斗力是否匹配。
- 题目要求的成果形式是什么？是研究报告、政策备忘录还是一封信？写作手是否擅长这种文体？
- 最现实的：以队伍的代码能力，能否在第二天深夜前把基础模型跑出结果？
按照这四个条件过滤两轮，最后留下的题目一般还剩两到三道。这时候不要再纠结最优了，果断从里面挑一道“就算模型没那么复杂，也一定能完整做下来”的题目。
2.2 立项：在开始建模之前，先把“问题的边界”划出来
选定题目后，绝大多数队伍会犯一个致命错误——立刻开始查资料、套模型。
正确做法是先花一两个小时做“立项”。所谓立项，就是三个人一起把题目里的每句话都拆开看，弄清楚三件事：
- 问题的目标到底是什么？有没有多个子目标？哪些是必须回答的，哪些是可选的？
- 题目给定的已知条件有哪些？哪些是真实数据，哪些是假设，哪些是需要自己推导的？
- 最终论文要回答哪几个具体问题？这些问题的优先级排序是什么？
不要小看这一步。很多队伍做到第三天，突然发现自己对题目的理解出现了偏差，前面建立的所有模型都建立在错误假设之上，只能推翻重来。立项环节花掉的一两个小时，往往能帮你避免第三天晚上至少六个小时的返工。
打个具体的比方：题目说“设计一个洪水疏散方案”，你的队伍很可能直接开始查最短路径、优化车辆调度。但如果仔细读题，它可能真正想要的是“在什么样的预警时间下，这个方案是可行的”——前者的建模目标是效率，后者的建模目标是时间阈值，完全不是一回事。这恰恰是选题后最需要搞明白的部分。
立项完成后，用一页纸写一份“问题理解备忘录”。上面记录：问题重述（用你们自己的话）、主要目标、次要目标、关键约束、可用的数据与资料、初步思路。这份备忘录会成为后面所有工作的定海神针。
3. 从问题到模型：美赛各题型的高频建模路径与选型判断
3.1 机理驱动型题目：怎么把物理过程翻译成数学语言
A题和部分B题属于明显的“机理驱动型”题目，它的核心是“用数学语言描述系统的演化规律”。这类题目最大的坑，不是模型不会建，而是题目里给的物理量太多，你分不清哪些是核心变量、哪些是干扰项。
以我参加过的题目为例，如果题目在描述一个“热量在多层材料中的传播过程”，一个稳健的建模路线是这样的：
- 先把系统拆成空间上的基本单元（控制体），画出单元之间的能量流动关系图。
- 对每个单元写出守恒方程，这一步可以暂时不考虑具体数值，先把方程形式摆出来。
- 引入本构关系（例如傅里叶定律、牛顿冷却定律），把方程中的通量项替代掉。
- 确定边界条件和初始条件。很多队伍在边界条件上栽跟头，就是因为这一步骤没有和题目文本严格对应。
- 对方程做无量纲化处理，这一步在美赛里非常加分，因为它能体现你对问题本质的理解。
无量纲化这个步骤值得多说几句。很多参赛队伍辛辛苦苦列出方程，然后直接上数值解，结果参数稍微换一下就只能重新跑一遍。如果对方程做无量纲化，把有量纲参数合并成无量纲参数组，你会发现很多情况下问题的解只取决于两三个无量纲数，参数再多也是虚张声势。这既提升了模型的鲁棒性，也方便你在论文里做参数讨论。
3.2 数据驱动型题目：C题的常规流程和进阶操作
C题这几年的趋势是越来越“实用”，给你一份真实的历史数据，让你去做预测、分类或者回归。很多队伍拿到数据的第一反应是“我先画几张图看看”，这个思路没错，但画图要有目的，不是为了凑图表数量。
完整的数据型题目建模路径，我建议分成四步：
- 第一步是数据清洗。缺失值怎么补、异常值怎么处理、单位是否统一、时间戳怎么对齐。这一步看起来很基础，但处理策略的选择会直接影响后面所有模型的输入质量。
- 第二步是探索性数据分析（EDA）。每一列数据的分布、相关性、时间趋势都要弄清楚。这一步的目的有两个：一是发现潜在规律，二是判断哪些变量适合做特征，哪些变量是冗余的。
- 第三步是特征构造，这是拉开差距的关键一步。如果题目给的是时间序列，除了原始的观测值，还要考虑滞后特征、滑动窗口统计特征、周期性编码等。如果题目给的是空间数据，距离矩阵、区域聚合特征往往比原始坐标本身更有用。
- 第四步才是建模。选择什么样的模型，取决于你的目标变量类型：连续型用回归模型，分类型用分类模型，时间相关用序列模型。不要为了秀技术而选一个队伍根本调不通的模型——美赛的评分看的是模型与问题的匹配度，不是算法难度。
C题还有一个容易忽略的点：数据量比较小的时候，深度学习几乎必然过拟合，传统机器学习（随机森林、梯度提升树）的表现往往更稳定；数据量足够大、特征维度够多的时候，神经网络或集成方法才有发挥空间。选模型之前，先花五分钟看数据规模，这个习惯能替你省下大量调参时间。
3.3 评价与决策类模型：层次分析法、熵权法与TOPSIS还有生存空间吗
每年都有人问，美赛现在还能不能用层次分析法？这个问题没有标准答案，取决于你是怎么用它的。
单纯用AHP算几个权重，画一张层次结构图，然后给个综合得分，这种做法的确已经很难拿高分了。但AHP作为一种“把人的判断系统化”的工具，在E题和F题这种带政策建议的题目里仍然有用——关键是你要让评委看到，你知道它的局限，并且用其他方法来弥补这个局限。
举个组合思路的例子：如果题目需要对多个候选方案进行综合评价，单纯用一个模型很难让人信服。可以考虑“主观+客观”的组合赋权思路：主观权重来自层次分析法或专家打分，体现决策者的偏好；客观权重来自熵权法或CRITIC法，体现数据本身的信息量；最后用博弈论的思想把两者组合起来，得到综合权重，再结合TOPSIS或灰色关联度进行方案排序。
这个组合看起来模型很多，但其实每个环节都很清晰，而且它在论文里非常好讲故事，也适合写进摘要。对大多数非数学专业的参赛队来说，这个组合方法的天花板要远高于单独使用任何一个模型。
需要注意的是，使用层次分析法时，判断矩阵的构建要尽量基于题目的文本描述，或者你们自己查到的客观依据，而不是拍脑袋填一个1到9的标度。评委里不乏运筹学方向的教授，一个明显随意的判断矩阵在附录里被抓到，会直接削弱整篇论文的可信度。
接下来是比较重要的一段：代码如何实现，以及如何避免“模型能跑，但结果不会用”的尴尬。
4. 代码不是写出来的，是“拼”出来的：提前准备好这些核心代码片段
4.1 一份高利用率赛前代码工具箱长什么样
前面提到，队伍要在赛前准备一份“工具箱”。这里我给出一个经过实战检验的核心文件清单，按建模类型分类，比赛时只需要复制粘贴再改参数，效率会远远高于当场从零写代码。
python复制# 文件结构参考
team_toolbox/
├── data_preprocess/
│ ├── load_and_clean.py # 数据读取、缺失值处理、类型转换
│ ├── feature_engineering.py # 滞后特征、滑窗统计、周期编码
│ └── scaling_encoding.py # 标准化、归一化、类别编码
├── common_models/
│ ├── regression_template.py # 线性回归 + Lasso/Ridge + 梯度提升
│ ├── classification_template.py # 逻辑回归 + 随机森林 + XGBoost
│ ├── time_series_template.py # ARIMA + Prophet + LSTM基础框架
│ └── optimization_template.py # scipy.optimize + 遗传算法封装
├── evaluation_metrics/
│ └── metrics.py # RMSE、MAE、MAPE、F1、AUC等
├── visualization/
│ └── plot_style.py # matplotlib/seaborn全局样式、配色
└── paper_writing/
└── table_generator.py # 回归/分类/优化结果表格自动输出为LaTeX
这里每份文件里的代码都不要写得太复杂，核心思路是“能用、稳定、跑得通”。比赛期间最重要的是出结果的速度，而不是代码的优雅程度。花里胡哨的类继承和装饰器，在最后一天赶工时只会让你头皮发麻。
4.2 一个足够应付大多数美赛场景的数值模型模板
很多时候你并不需要自己推导一堆公式后才写代码。一个“可迁移系数最多”的模板，往往能解决E题和F题之外很多题目的第一问。这里我给出一个虽然基础、但极其有用的模板——多变量时间序列预测与状态估计的组合示例。为了匹配美赛C题的风格，我以“根据历史监测数据预测多个位置的关键指标并给出未来一段时间的区间估计”为例：
python复制import numpy as np
import pandas as pd
from scipy.optimize import minimize
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import mean_squared_error
def load_data(file_path):
df = pd.read_csv(file_path, parse_dates=['date'])
# 针对问题场景：数据列可能是多个监测点的读数
df = df.sort_values('date').reset_index(drop=True)
return df
def make_lag_features(df, target_cols, lags=[1,3,7,14]):
df_feat = df.copy()
for col in target_cols:
for lag in lags:
df_feat[f'{col}_lag{lag}'] = df_feat[col].shift(lag)
df_feat['day_of_week'] = df_feat['date'].dt.dayofweek
df_feat['day_of_year'] = df_feat['date'].dt.dayofyear
return df_feat.dropna().reset_index(drop=True)
def rf_regression_with_tuning(X, y, n_splits=5):
tscv = TimeSeriesSplit(n_splits=n_splits)
errors = []
best_model = None
for train_idx, val_idx in tscv.split(X):
X_train, X_val = X.iloc[train_idx], X.iloc[val_idx]
y_train, y_val = y.iloc[train_idx], y.iloc[val_idx]
model = RandomForestRegressor(
n_estimators=800,
max_depth=12,
min_samples_leaf=3,
random_state=42,
n_jobs=-1
)
model.fit(X_train, y_train)
pred = model.predict(X_val)
errors.append(np.sqrt(mean_squared_error(y_val, pred)))
print(f'CV RMSE: {np.mean(errors):.4f} ± {np.std(errors):.4f}')
return model
def add_physical_constraint(pred, lower_bound, upper_bound):
# 有些指标天然有物理上下限，直接裁切比事后解释更合理
return np.clip(pred, lower_bound, upper_bound)
这段代码的重点不在于RandomForest本身，而在于几个容易被忽视的细节：
- 时间序列切分必须用TimeSeriesSplit，不能用普通的K折交叉验证，否则会出现未来数据泄露。
- 滞后期的选择不是越多越好，要根据数据的采样频率来定。如果数据是日更的，做7天和14天的滞后通常足够；如果是小时级数据，要加24小时和48小时的滞后才合理。
- 对于有物理意义的指标，预测值超出合理范围后的处理不是先去改进模型，而是先加一个clip约束。这个操作说明你对问题场景是有感知的，写进论文是加分项。
4.3 用随机森林的预测结果画不确定性区间
很多队伍只会输出一条预测曲线，而美赛的阅卷标准非常看重“不确定性量化”。哪怕你的模型并不复杂，只要能在预测结果旁给出一段合理的置信区间，论文的完成度就能立刻上一个档次。
不确定性区间可以用一个很朴素的方法实现：在训练随机森林时，用每一棵树的预测值计算分位数。
python复制def predict_with_interval(model, X_pred, lower_q=0.1, upper_q=0.9):
# model是sklearn的RandomForestRegressor
all_tree_preds = np.column_stack([tree.predict(X_pred) for tree in model.estimators_])
lower = np.percentile(all_tree_preds, lower_q * 100, axis=1)
median = np.percentile(all_tree_preds, 50, axis=1)
upper = np.percentile(all_tree_preds, upper_q * 100, axis=1)
return lower, median, upper
这段代码的原理很简单：每一棵树其实可以看作一个“弱专家”，它们的预测结果存在方差。用分位数去描述这个方差，自然就得到了不确定性区间。不需要引入贝叶斯，也不需要使用复杂的深度集成方法，对美赛的场景已经足够有说服力。
赛前把这几个模板在自己电脑上完整跑通一遍，确认没有依赖缺失。我见过很多队伍，到比赛时才发现自己的pandas版本太低，处理新格式的日期数据报错，结果浪费一上午时间装环境。
5. 论文不能只是“记录”，要像讲一个完整的故事
5.1 摘要、关键词和Summary Sheet会被单独打分
美赛和国赛最大的不同，是要求提交一份不超过一页的Summary Sheet，它会被单独拿出来评审。很多队伍把摘要当成“论文的压缩版”，随便写几句话了事，这是最浪费的操作。
摘要的写作，我把它定义为“从评委角度逆向操作”。评审老师一天可能要评几十篇论文，真正能被仔细看完的很可能就是Summary Sheet、正文中的图表和各章的小标题。摘要需要在半分钟内让评委形成两个印象：这篇文章解决了什么问题、用了什么有亮点的方法、得出了什么有效结论。
一个我屡试不爽的摘要写作框架如下：
- 第一句：用最短的话描述建模任务，避免过度的背景铺垫。
- 第二句到第四句：说明核心思路。如果有多个子问题，按子问题依次说明。每个子问题写清楚“用的方法+做的改进+最终效果”。
- 第五句：给出定量的结论。例如“疏散总时间缩短了约23%”好于“疏散效率得到显著提升”。
- 最后一句：点明模型的可推广性和局限。
请注意，摘要里不要堆砌模型名称。模型是工具，解决问题才是目的。一个个模型名字没有前因后果地堆在摘要里，就像自我介绍时背一遍自己的获奖证书一样，只会让评委觉得你没有抓住重点。
5.2 每个模型板块至少配一个“为什么”和一个“有什么代价”
往届优秀论文给我们的启发是：建模论文不只是用公式和代码堆砌起来的技术文档，更是一份向评委解释“为什么这样设计”的说理文章。我在评阅别人的论文时，最反感的就是“这个模型解决了所有问题”式的自嗨，没有任何一个模型是无懈可击的。
因此，在论文的每个核心模型章节，至少需要回答三个问题：
- 为什么选择这个模型？它和题目特征之间的匹配关系是什么？
- 这个模型的优劣在哪里？它有哪些假设在本题中不一定严格成立？
- 如果假设不成立，模型的结论会发生什么变化？有没有做敏感性分析？
举个例子。如果你在C题里用了随机森林，写“随机森林可以捕捉非线性关系”是不够的，几乎任何集成模型都能这么说。你应该补一句：“由于数据中存在明显的周周期性，且特征与目标变量的关系在高低水平上表现不同，线性模型难以刻画这种非线性耦合，因此选择随机森林作为基准模型，并采用SHAP值对特征贡献进行解释。”——这样写，模型才真正为你的问题服务。
5.3 图表的美化和信息密度如何平衡
美赛论文并不鼓励过分花哨的视觉风格，但它非常在乎“信息表达效率”。一张好的图表，是评委读论文时最容易停留的地方。从过往的获奖论文来看，高质量图表有几个共同点：
- 坐标轴的标签清晰，单位明确，字体大小不小于10号。
- 图中没有无关的网格线与边框阴影。
- 颜色数量控制在三到四种以内，通过色相和深浅表达信息层级，而不是用彩虹色。
- 图片下方都配有编号和一句简短的caption，说明读者应该从中看到什么。
一张常见的“对比预测值和真实值”折线图，如果只是在坐标轴上画两条线，信息量是不够的。更好的做法是：画出真实值、预测中位数和上下分位数区间，把未来1到3个月的预测区域用浅色高亮，同时标出关键事件点或转折点。这样的图，评委扫一眼就能明白你的模型做了什么、可信度如何。
还有一个细节值得提醒。每年都有队伍因为图表里英文拼写不规范、公式编号混乱或单位不准确而丢分。英文不是你临时抱佛脚能解决的问题，但语法错误和拼写错误是可以靠交给队友互读来避免的。交稿前，三个人一定要从头到尾通读至少两遍，重点找拼写和逻辑断点。
6. 四天三夜的高效节奏，以及如何规避最常见的技术翻车
6.1 从Day1到Day4的任务分配参考
美赛的时间从北京时间早上6点到第4天早上9点（以官方通知为准），一共大约75到96小时。很多队伍在前两天慢慢悠悠，第三天夜里突然开始极速冲刺，这种节奏对论文质量几乎是毁灭性的。
一个相对稳健的进度规划大概是这样的：
- Day1上午：六点放题，读到上午九点，完成选题和立项。
- Day1下午到晚上：完成数据收集（如果需要外部数据）、第一问的初步模型，并跑通结果。
- Day2全天：完成题目所有设问的初步模型。争取在傍晚前，论文已经获得了所有题目的初步结果。
- Day3全天：开始“打磨”——优化模型参数、做敏感性分析、补充对比实验，同时写作手开始根据已有结果撰写正文。
- Day4上午到傍晚：论文初稿完成，开始版面校对，绘制最终图表。
- Day4晚上：通宵，但不是为了加新模型，而是为了修订和润色。凌晨三四点之前必须形成最终提交版，给自己留下应对突发网络问题的缓冲时间。
这个规划的关键思路是：把“产生结果”的时间尽量前置，把“优化与表达”的时间完整地留在后面。很多队伍的问题在于，Day3还在为一个模型的新想法纠结，导致Day4下午才发现论文只有骨架没有血肉。
6.2 最常见的几种技术翻车现场和预案
技术翻车是美赛的经典剧目。每一年都有队伍遇到各种状况，模型推好了但代码跑不出，或者图表画好了但导出不了PDF。我在这里把我见过最多的几类问题和应对方案列一下。
第一类：软件环境问题。“队友的库比我的新，他跑得通我跑不通”。解决思路是赛前统一环境版本，或者约定所有代码只用大家都有且版本一致的核心库，不要随便使用太新的第三方工具。如果确实需要特定环境，用requirements.txt固定版本。
第二类：数据下载失败。C题或E题经常需要网上下载外部数据，比赛期间是数据下载高峰，有些数据源网站可能不稳定。建议第一天完成选题后，立刻把可能需要的外部数据存到本地，多存几个镜像源。
第三类：模型超参数完全没有调优空间。有些队伍比赛时直接调用了机器学习库的默认参数，训练出来的结果确实能用，但论文里写不清这些参数为什么这样设置。建议至少把“默认参数”和“简单手动调参后的参数”做一组对比，证明你的参数选择是有依据的。
第四类：图表在Word或LaTeX排版时乱掉。如果使用Word排版，图不要用截图或低分辨率图片粘贴，尽量用代码直接输出高分辨率PNG并导入。如果使用LaTeX，确保所有宏包在Day1就已经能编译通过，而不是到了Day4才开始折腾宏包冲突。
6.3 写作手在排版时最容易忽略的三个细节
这里特别想对写作手说几句。
排版细节直接关系到评委的阅读体验。很多优秀的内容，因为排版混乱，让评委看得心烦，最终没能获得公正的评价。第一，是摘要页与正文页的页眉信息要一致，别出现“Team # 12345”和“Team # 23456”这种低级错误。第二，所有核心结果都应该出现在摘要和正文中，不能只在附录里出现，附录在美赛中没有绝对的篇幅限制，但评委并不承诺会仔细阅读附录。第三，引用要规范，要么统一用LaTeX的BibTeX，要么统一用Word的引用工具。每年都有队伍因为手工敲参考文献导致编号错乱，这是完全可以避免的。
7. 从模型结果到获奖论文，还差这“最后一公里”
很多队伍最后问自己的问题是：我们做的模型不算差，为什么分不高？我观察到的原因常常不是模型问题，而是在提交前没有做一轮彻底的自问自答。
具体来说，在最终提交前，用三个小时，三个人坐下来，顺着Summary Sheet的每一句话往回追：摘要里写的这个结论，对应正文里的哪张图、哪个表、哪个公式？这个公式的变量定义是否写清楚了？这个图的数据是否是由代码里能够复现的？如果任何一个结论在正文里找不到确切的支撑，那就是危险的。
还有一类问题是逻辑上的“自说自话”。比如题目问“应该在哪里建设新的站点”，有些队伍只给出了“根据评分模型，A地得分最高”这样的结论，但没有说明评分模型里的权重在多大范围内变化时，A地依然是最高分。换句话说，缺少敏感性分析。这类问题在E题和F题中尤其常见，因为这类题目没有“标准答案”，必须靠全面的“稳健性论证”来佐证你的建议不是一次偶然结果。
如果你还有余力，可以再做一件事：在正文末尾加一段“模型的优势与不足”，客观地评价自己的方法。不要怕暴露不足，恰到好处的自省比通篇的自我表扬更能赢得评委的信任。这段内容不是简单的常见问题列表，而是体现队伍在深度理解问题后，对模型适用边界的坦诚判断。一句“我们的模型在数据量较小时倾向于保守估计，可能需要进一步引入先验信息来改进”的效果，远好于一声不吭装作模型没有问题。
写在最后的一点体会
做了这么多次美赛，我越来越觉得，它考查的不是你脑子里装了多少模型，而是你在有限的时间内，面对一个陌生问题时的判断力和执行力。模型选错了可以换，代码有bug可以修，唯独时间过去是无法挽回的。所以，把精力放在“做决定”上，而不是“反复犹豫”上。
2026年的赛场上，肯定会有一道题让你觉得完全无从下手，也肯定会有一个深夜让你怀疑自己是不是选错了路。在这个时刻，请回到你的问题理解备忘录，回到你第一天写下的那几个目标句，告诉自己：先把能做的做完，把结果跑出来，再考虑完美。做完，比做完美，重要得多。
祝你们好运。