ReAct-Trajectory Training: обучение на процессе решения, не только результате

Модели знают правильные ответы, но не знают как к ним прийти через ошибки и исправления. Результат: либо зацикливание в бесконечных рассуждениях (раздувание токенов на 945%!), либо пропуск критических проверок. ReAct-Trajectory решает проблему через обучение на полных траекториях: попытки → ошибки → исправления → результат. XML-теги вроде <step>, <thought>, <action> создают когнитивные леса — жёсткий каркас, который заставляет модель явно разделить: что думаю, что делаю, что получил. 18-49% меньше токенов при той же точности.