NO AI Self-Improvement w/ RL

Рассматривается, как обучение с подкреплением (RL) влияет на модели, позволяя им улучшать свои навыки. Новое исследование показывает, что RL не создает новых возможностей рассуждения, а лишь усиливает существующие. Также подчеркивается, что более эффективным методом является дистилляция, которая расширяет границы рассуждения моделей.