शोध इस बात की जांच करता है कि क्या रिइनफोर्समेंट लर्निंग (RL) पोस्ट-ट्रेनिंग केवल लैटेंट प्राइमिटिव कौशल को बढ़ाता है या उन्हें नई उच्च-स्तरीय रणनीतियों में संयोजित करता है। एक पूर्णतः अवलोकन योग्य रीराइट-ग्रामर वातावरण का उपयोग करते हुए, अध्ययन पाता है कि RL चरणबद्ध संयोजकीय तंत्र के माध्यम से प्राइमिटिव सक्षमता को पुनर्गठित करता है।
- RL उन समस्याओं को हल करता है जो प्री-ट्रेन्ड मॉडल द्वारा दुर्लभ रूप से हल किए जाते हैं, भले ही बड़े सैंपलिंग बजट के साथ, जबकि रिजेक्शन फाइन-ट्यूनिंग (rejection fine-tuning) जल्दी ही प्लेटो पर पहुँच जाता है।
- RL वैध संयोजित प्रक्रियाओं (क्रमिक और समानांतर संयोजन सहित) की खोज से पहले प्राइमिटिव रिडक्शन को मजबूत करता है।
- इन संयोजित प्रक्रियाओं का पुनः उपयोग किया जाता है और उन्हें स्थिर रेपर्टर में एकीकृत किया जाता है, न कि अलग-थलग नमूनों के रूप में रहने दिया जाता है।
- RL और रिजेक्शन फाइन-ट्यूनिंग के बीच मुख्य अंतर चयनात्मकता है; RL वैध पुनः उपयोग योग्य संरचना में अन्वेषण को केंद्रित करता है।
संयोजकीय रणनीतियों का उद्भव इस बात पर निर्भर करता है कि प्री-ट्रेनिंग प्राइमिटिव सक्षमता को रिडक्शन प्रक्रियाओं में कैसे व्यवस्थित करती है जिन्हें RL संकुचित कर सकता है, जिससे यह कमजोर प्रक्रियात्मक घटकों से विश्वसनीय उच्च-स्तरीय रणनीतियाँ बना सके।