https://arxiv.org/abs/2601.01400

GRPO в процессе тут очень много всего нужно настроить, удобно реализовать поддержку своих ревард функций и возможность их удобно конструировать много разных…

+ в ближайшее время буду делать расширенную версию инструкции по использованию, мб картинок и скринов добавлю чтобы прям суперпонятно было

https://huggingface.co/collections/open-r1/reasoning-datasets

DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning https://arxiv.org/abs/2501.12948v2 4 числа апдейтнули 22 -> 86 страниц

Scaling Open-Ended Reasoning to Predict the Future https://www.arxiv.org/abs/2512.25070 https://www.alphaxiv.org/ru/overview/2512.25070…