FAIRの新しい論文は、ExIt (探索的反復)を紹介しています。これは、RLに基づく方法で、LLMを単一ステップの改善に対して訓練しますが、自らの出力からブートストラップすることで、推論における効率的な多ステップの自己改善を実現し、MLE-benchで22%の向上を達成します。