赌注在于构建一个持续学习系统。这意味着什么？Cursor 的更新就是一个有效的例子。新数据进入，系统知道如何筛选出最有价值的样本。然后，它利用 RL/其他算法来部署一个使用这些数据训练的检查点。

每个组件都必须仔细研究，以构建一个能够操作该系统的元算法。在训练过程中，它可以根据早期迹象评估是继续还是停止运行。为此，来自数百次运行的见解被整合到这样的系统中。

这项工作开始了一个针对可验证奖励的推理问题的过程。因为这是构建简单学习管道的最 "稳定" 环境。下一个前沿将是 LLM 作为评判者和长期、延迟奖励设置。