DecisionSteer встраивает навыки принятия решений в замороженную LLM через оператор в 330K параметров — в 4 раза легче аналогов. Цепочка рассуждений сжимается с 3685 до 6 токенов без потери точности. Как это работает. Оператор обучается через behavior cloning на примерах решений. Замороженная модель остаётся нетронутой, оператор подменяет собой длинные цепочки рассуждений — и его можно менять на лету, как линейный слой. Это не требует тяжёлого RL-цикла с ~1M параметров. Масштаб. На 5 задачах с 3 базовыми моделями rank-4 вариант с 23K параметров превосходит best-of-8 семплирование в 23 из 57 примеров LiveMath. Это в 58 раз легче ближайшего опубликованного аналога. Abstract не содержит абсолютных значений accuracy базовых моделей без операторов и не называет конкретные архитектуры backbone. Что это значит: навыки можно «прикручивать» к уже обученной модели без переобучения — быстро, дёшево и на лету.