報酬が一切得られない状態でも；エージェントが「環境についての知識」を増やすこと自体を目的として学習する手法を何というか。

LLMに「内緒で考えて（思考用トークンを出力させずに）」推論を行わせることで；論理的整合性を高める最新の手法はどれか。