JOLT：让同一策略兼任教师与学生

研究者提出 JOLT 方法，让同一策略同时扮演特权教师和无特权学生两个角色，联合进行在线策略学习与教学，以缓解强化学习在长程任务上的稀疏监督问题。据论文介绍，教师用结果奖励加 token 级 KL 正则训练，使其指导贴合学生当前能力。 在数学推理、编码、工具使用和终端使用任务上，JOLT 提升了训练效率与性能；论文还称加入学生奖励后可进一步提升。这些效果来自作者在论文中的报告。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。