"Pré-treinamento de reforço" é super útil quando você deseja usar a cadeia de pensamento para melhorar o desempenho em tarefas como prever a próxima palavra deste _____

Houve cerca de 5 artigos sobre isso. Todos eles mostram que é melhor do que não fazer nada em tarefas de previsão de token único. Claro que é! seria uma loucura se não fosse! Algum deles mostra algo interessante ou surpreendente?