Guess–Think–Answer (GTA) a été proposé par l'équipe d'algorithmes du laboratoire d'IA de vivo en septembre 2025, et les résultats de recherche correspondants ont été publiés dans l'article «GTA : Apprentissage par renforcement supervisé et guidé pour la classification de textes avec de grands modèles de langage".

Le cadre GTA fonctionne en générant d'abord une estimation initiale (optimisée par la perte d'entropie croisée), puis en réfléchissant sur cette estimation pour générer la réponse finale, tout en utilisant simultanément des récompenses d'apprentissage par renforcement (RL) pour façonner la sortie finale et le format de l'ensemble de la structure GTA. Ce cadre permet au modèle d'apprendre spontanément des schémas d'inférence efficaces grâce au RL, éliminant ainsi le besoin d'annotation manuelle de la chaîne d'inférence et combinant l'efficacité du réglage fin supervisé (SFT) avec les capacités accrues du RL au sein d'un paradigme d'entraînement unifié.