Perplexity与NVIDIA研究人员推出JOLT：一种师生联合强化学习方法

📋总体概括

Perplexity与NVIDIA的研究人员联合推出JOLT，一种后训练阶段的强化学习方法。其核心创新在于让同一个模型同时扮演教师与学生两种角色，进行联合的在线策略学习，从而提升训练效率。在MATH数学基准测试中，JOLT达到了与GRPO（Group Relative Policy Optimization）相当的准确率，但处理训练token的数量减少了6.5倍，意味着显著降低推理型大模型后训练阶段的算力与时间成本。该成果对当前以强化学习驱动推理能力的大模型训练范式提出了更高效的替代路径。