Ostatnio pojawiło się wiele prac na temat RL w kontekście wstępnego uczenia. Nie wiem, oczywiście to działa, ale wydaje się to takie nieprzyjemne, że dosłownie próbujemy CoT dla tokenów. To jest jedyne miejsce, gdzie latentne rozumowanie jest wyraźnie pożądane. Niemniej jednak, to jest ważne. Kolejna odpowiedź na argumenty Suttona.