MMhops-R1: динамическое планирование поиска через обучение с подкреплением

Проблема: Модель не знает когда остановиться в цепочке рассуждений. Спрашиваешь «кто основал компанию создавшую этого робота?» — она либо отвечает наугад сразу, либо делает 10 шагов поиска впустую. MMhops-R1 позволяет модели самой планировать: на каждом шаге решать достаточно ли одного факта или нужно копать глубже через связанные запросы. Фишка: модель сама выбирает действие — искать по картинке, искать текст в Wikipedia или дать ответ. Адаптирует глубину под сложность: для простых вопросов 2 шага, для сложных 4+.