Trénovanie odmenou vyberá lepšie odpovede, nie uvažovanie
Nová štúdia sledovala každý checkpoint pri reinforcement learningu malého modelu. Presnosť sa zlepšila, no model si nevytvoril ostrejšiu vnútornú reprezentáciu chýb v uvažovaní; lepšie vyberal riešenia, ktoré už poznal.