新研究：我们开发了 JOLT，一种后训练方法，让同一个模型同时扮演老师和学生，老师被专门训练成能给出学生用得上的反馈
Perplexity 研究人员提出了 JOLT：一种后训练方法，同一个模型同时扮演老师和学生，老师被专门训练成给出学生真正用得上的反馈。在 MATH 基准上，它用比 GRPO 少 6.5 倍的训练 token 达到了相当的准确率。如果能推广开，RL 式后训练的成本有望大幅下降。
报道来源
- Aravind Srinivas2026-10-21 18:44
Perplexity 研究人员提出了 JOLT：一种后训练方法，同一个模型同时扮演老师和学生，老师被专门训练成给出学生真正用得上的反馈。在 MATH 基准上，它用比 GRPO 少 6.5 倍的训练 token 达到了相当的准确率。如果能推广开，RL 式后训练的成本有望大幅下降。