新研究：我们开发了 JOLT，一种后训练方法，其中单个模型同时扮演老师和学生，老师被训练成给出学生能用上的反馈。在 MATH 上，它用少 6.5 倍的训练 token 达到了 GRPO 的准确率。

Perplexity 研究人员提出了 JOLT：一种让单个模型同时充当老师和学生的后训练方法，老师专门被训练成给出学生真正能用上的反馈。在 MATH 基准上，它用仅为 GRPO 约 1/6.5 的训练 token 达到了同样的准确率。意义在于，反馈效率更高的后训练有望显著降低对齐与改进模型的成本。

• Perplexity2026-10-21 18:44