Sází se na vybudování systému kontinuálního vzdělávání. Co to znamená? Aktualizace kurzoru je pracovním příkladem. Přicházejí nová data, systém ví, jak filtrovat ty nejcennější vzorky. Poté využívá RL/jiné algoritmy k nasazení kontrolního bodu natrénovaného pomocí uvedených dat.

Každá komponenta musí být nejprve pečlivě prostudována, aby se vytvořil meta-algoritmus, který může takový systém provozovat. Během tréninkového běhu může na základě prvních příznaků vyhodnotit, zda v běhu pokračovat nebo jej zastavit. Za tímto účelem se do takového systému vkládají poznatky ze stovek běhů.

Tento obor práce zahajuje tento proces uvažování problémů s ověřitelnými odměnami. Protože se jedná o "nejstabilnější" nastavení pro vytvoření jednoduchého kanálu pro učení. Dalšími hranicemi by bylo LLM-as-judge a dlouhodobé a zpožděné nastavení odměn.