Шейпинг наград в RL сократил цепочки рассуждений LLM на 65%

Метод RLCD² через настройку наград реактивирует скрытый режим THINK в гибридных моделях Qwen3 и StartLux-Decision. Доля трасс, укладывающихся в лимит генерации, выросла до 48 п.п., средняя длина упала на 65% при сохранении точности; для модели на 9B завершаемость выросла с 45,9% до 93,9%.

• Для 9B-модели средняя длина трассы упала с 2494 до 868 токенов
• Завершаемость трасс выросла с 45,9% до 93,9%
• Win rate THINK вырос с 50% до 94% у чекпоинта 8B
• Патчинг think-подпространства снижает точность до 0,244, убирая 75% прироста