¿Puede la IA aprender qué optimizar a partir de ejemplos en lugar de simplemente copiarlos? El ajuste supervisado (SFT) enseña un modelo haciéndolo imitar respuestas de expertos. Un nuevo artículo presenta PARED, un método de alineación que intenta extraer una recompensa reutilizable de esas mismas demostraciones. PARED compara las respuestas de los expertos con las propias respuestas del modelo según características seleccionadas, como utilidad, inofensividad y tema. Utiliza esas diferencias para aprender una recompensa explícita, que luego guía un aprendizaje por refuerzo adicional tras el SFT. Utilizando 4.000 demostraciones generadas por GPT-5.1, las respuestas de los modelos entrenados con PARED fueron preferidas a las del punto de control original de SFT en el 86,2 % y el 88,4 % de las comparaciones no empatadas bajo dos enfoques de actualización de recompensa, según evaluación de Gemini 2.5 Flash. Las demostraciones podrían resultar útiles para más que solo la imitación; también podrían ayudar a definir un objetivo del que el modelo siga aprendiendo tras el SFT.