Internalizacja przyszłości: Ujednolicony paradygmat treningowy dla planowania światów modelowych

Badacze proponują metodę treningu agentów LLM zdolnych do symulowania przyszłych scenariuszy przed podjęciem decyzji, zamiast wyłącznie reagowania na bieżące warunki. Model uczy się verbalizować prospektywne stany i oszacowania sukcesu planu, podobnie do funkcji Q-value w uczeniu ze wzmacnianiem.