El "Pre-Entrenamiento de Refuerzo" es muy útil cuando desea utilizar la cadena de pensamiento para mejorar el rendimiento en tareas como predecir la siguiente palabra de este _____

Ha habido como 5 artículos sobre esto. Todos muestran que es mejor que no hacer nada en las tareas de predicción de un solo token. ¡Por supuesto que lo es! ¡Sería una locura si no lo fuera! ¿Alguno de ellos muestra algo interesante o sorprendente?