Сказати (поточний) РЛ – це жахливо говорячи, що нам потрібні PRM та змагальна підготовка (sic: MuZero) нарікаючи на колапс ентропії та пояснюючи необхідність збереження ентропії при навчанні та відборі проб Бажаючи розрідженої уваги (і ATTN розріджений шар над kvcache)