Команда Guquanquan зробила цю хвилю відкритого коду дуже крутою, без зовнішніх моделей викладачів вона може самовдосконалюватися, ідея генерації привілейованої інформації та шляхи логічних висновків заслуговують на детальне вивчення.

Повідомлення з CoinWorld, алгоритм SDPG був відкритий командою Лю Іфенг, Чжан Шиюань з Каліфорнійського університету в Лос-Анджелесі (UCLA) та Чжан Іфань з Прінстонського університету, з метою вирішення проблеми самовдосконалення агентів при відсутності зовнішнього керівного моделі. Цей алгоритм за допомогою механізму внутрішнього вчителя використовує привілейовану інформацію для створення високоякісних шляхів роздумів, підвищуючи ефективність та ймовірність успіху при багатоступеневих рішеннях. Оцінки показують, що SDPG перевершує GRPO та різні базові алгоритми самостримінгу у задачах математичних роздумів та багатоступеневого планування.