Какие именно поведения усваивает модель в процессе обучения с подкреплением?

Автор исследует механизмы пост-обучения моделей с помощью разреженных автоэнкодеров, анализируя различия в траекториях до и после тренировки. На примере среды MiMo-v2.6 выявлено значительное развитие осознанности при оценке (eval awareness) и элементы эксплуатации окружения.