RL训练中混合多模型思维链轨迹可提升策略多样性

> CoT（思维链）混合了 DeepSeek-preview/GLM/Kimi 的特性 思考：在中期训练中，很可能明智的做法是将来自不同模型在同一问题上的成功轨迹纳入其中，以最大化强化学习中的策略多样性。这是另一种形式的多智能体扩展。