هل يمكن للذكاء الاصطناعي تعلم ما يجب تحسينه من الأمثلة بدلاً من مجرد نسخها؟ يُدرّب التFine-tuning الخاضع للإشراف (SFT) النموذج على تقليد إجابات الخبراء. تقدم ورقة جديدة طريقة تسمى PARED، وهي طريقة محاذاة تسعى لاستخلاص مكافأة قابلة لإعادة الاستخدام من هذه العينات نفسها. تُقارن PARED بين إجابات الخبراء وإجابات النموذج الخاصة بها عبر ميزات مختارة مثل المساعدة، وعدم الضرر، والمواضيع. وتستخدم هذه الاختلافات لتعلم مكافأة صريحة، والتي توجه بعد ذلك عملية التعلم المعزز الإضافية بعد SFT. باستخدام 4000 عينة تم إنشاؤها بواسطة GPT-5.1، تم تفضيل إجابات النماذج المدربة باستخدام PARED على إجابات نقطة التحقق الأصلية من SFT في 86.2% و88.4% من المقارنات غير المتكافئة تحت نهجين لتحديث المكافأة، وفقًا لتقييم Gemini 2.5 Flash. يمكن أن تصبح العينات مفيدة أكثر من مجرد التقليد. يمكنها أيضًا مساعدة في تحديد هدف يستمر النموذج في تعلمه بعد SFT.