推理模型答题时，常写下“wait”再回头检查，像人算到一半突然说“等等”。这种表现常被视为强化学习（RL——根据答案得分调整模型行为）教出的“顿悟”。这项工作追踪多个开放模型的训练历程，提出一个更克制的解释：RL或许会放大这种语言习惯，却很少凭空发明它。
最关键的对照是，研究者从原本几乎不用“wait”的基础模型出发做RL。在18次训练中，17次的“wait”频率仍低于每千个生成词元0.05次，但MATH-500数学题集的准确率中位数提高了42.9个百分点。换句话说，模型可以明显变会做题，却不必学会说“等等”。相反，在同一类基础模型上用推理过程文本做微调后，14个模型中有13个开始使用它。
研究还向正确推理中人为注入算术错误，观察模型是否在随后两句话内发出修正信号。结果显示，不同RL方法会放大、削弱甚至抹去已有标记。因此，“wait”出现得多，不能单独证明RL创造了新的推理能力；它更可能来自预训练——模型先从海量文本学习语言与知识——或后续读到的推理样例。