Maaari ba ang AI na matutunan kung ano ang dapat i-optimize mula sa mga halimbawa kaysa sa pagkopya lamang nito? Ang supervised fine-tuning (SFT) ay nagtuturo sa isang model sa pamamagitan ng paghahamon sa ito na imitahin ang mga sagot ng mga eksperto. Isang bagong papel ay naglalayon ng PARED, isang paraan ng pagpapalago na sumusubok na makuha ang isang muling gamitin na reward mula sa mga parehong demonstrasyon. Ang PARED ay ihahambing ang mga sagot ng eksperto sa mga sariling sagot ng model sa pamamagitan ng mga napiling tampok tulad ng pagiging makatulong, pagiging walang panganib, at paksa. Ginagamit nito ang mga pagkakaiba upang matutunan ang isang eksplisitong reward, na magiging gabay sa karagdagang reinforcement learning pagkatapos ng SFT. Gamit ang 4,000 na demonstrasyon na ginawa ng GPT-5.1, ang mga sagot mula sa mga modelong tinuruan ng PARED ay piniling mas mabuti kaysa sa mga sagot mula sa orihinal na SFT checkpoint sa 86.2% at 88.4% ng mga hindi tied na paghahambing sa ilalim ng dalawang paraan ng pag-update ng reward, ayon sa pagtataya ni Gemini 2.5 Flash. Ang mga demonstrasyon ay maaaring magkaroon ng kapaki-pakinabang na gamit higit pa sa pagkopya. Maaari rin silang tumulong sa pagtukoy ng isang layunin na patuloy na natututunan ng model pagkatapos ng SFT.