"Reinforcement Pre-Training" är superanvändbart när du vill använda tankekedja för att förbättra prestationen på uppgifter som att förutsäga nästa ord i den här _____

Det har varit typ 5 tidningar om detta. De visar alla att det är bättre än att inte göra någonting på förutsägelseuppgifter med en token. Självklart är det så! Det skulle vara vansinnigt om det inte var det! Visar någon av dem något intressant eller överraskande?