P-TTS: создание датасетов через вариации промптов вместо сбора тысяч примеров

Парадокс: не собирать 1000 новых задач для датасета, а обернуть 90 старых в разные промпты — модель показывает 73.3% vs 56.7% на AIME2024. P-TTS (Prompting Test-Time Scaling) позволяет создавать мощные обучающие датасеты без сбора тысяч примеров — берёшь одну задачу и оборачиваешь в 10 разных фреймов: "Я дам $200,000 за отличное решение", "Ты будешь наказан за ошибку", "Думай пошагово". Каждая обёртка извлекает свой аспект рассуждений — Reward запускает тщательную верификацию, Penalty делает акцент на проверку граничных случаев, Step-by-Step направляет на явную декомпозицию. При дообучении модель учится комбинировать все подходы — в 25 раз меньше задач, а результат лучше.