強化学習において；エージェントが「環境からの報酬」が全くない状態で；「世界がどう変化するか」の地図だけを先に作る段階を何というか。

LLMの学習において；「数学の問題」や「コードの解説」など；論理的思考が必要な高品質データをAI自身に生成させて学習させる手法はどれか。