Обучение и постобучение
Рассуждение и вычисления на этапе вывода
Дообучение, которое учит модель порождать длинную цепочку рассуждения перед ответом и тратить больше вычислений на этапе вывода, когда задача сложнее. Обучение с подкреплением на проверяемых наградах — когда сигнал даёт ответ, поддающийся проверке, — сделало этот путь воспроизводимым за пределами закрытых лабораторий. Размен стоит назвать прямо: точность достигается длиной генерации, а не увеличением модели, и оплачивается задержкой и стоимостью обслуживания.
Ключевые термины
- трассы рассуждений (reasoning traces)
- проверяемые награды (verifiable rewards)
- бюджет инференса (inference budget)
- цепочка рассуждений (chain of thought)
Связи внутри проекта
Опирается на
Связанные технологии
Связанные работы
Исторический контекст
Первичные источники
Это отобранная техническая карта, а не заявление о полном охвате.