क्या AI उदाहरणों से यह सीख सकता है कि क्या अनुकूलित करना है, बस उन्हें कॉपी करने के बजाय? नियंत्रित सूक्ष्म-समायोजन (SFT) एक मॉडल को विशेषज्ञ उत्तरों का अनुकरण करके सिखाता है। एक नया पेपर PARED नामक एक समायोजन विधि पेश करता है, जो इन्हीं प्रदर्शनों से एक पुनःउपयोगयोग्य पुरस्कार निकालने का प्रयास करता है। PARED, उपयोगिता, हानिरहितता और विषय जैसी चुनी गई विशेषताओं के आधार पर विशेषज्ञ उत्तरों की तुलना मॉडल के स्वयं के उत्तरों से करता है। यह इन अंतरों का उपयोग एक स्पष्ट पुरस्कार सीखने के लिए करता है, जो SFT के बाद अतिरिक्त प्रवर्धन सीखने को मार्गदर्शन करता है। 4,000 GPT-5.1-जेनरेटेड प्रदर्शनों का उपयोग करते हुए, PARED-प्रशिक्षित मॉडल के उत्तरों को Gemini 2.5 Flash द्वारा मूल्यांकन किए जाने पर, दो पुरस्कार-अद्यतन दृष्टिकोणों के अंतर्गत 86.2% और 88.4% गैर-बराबरी तुलनाओं में मूल SFT चेकपॉइंट के उत्तरों से पसंद किया गया। प्रदर्शन केवल अनुकरण के लिए ही उपयोगी नहीं हो सकते। वे मॉडल के लिए एक ऐसा उद्देश्य परिभाषित करने में भी मदद कर सकते हैं, जिससे SFT के बाद मॉडल सीखता रहता है।