arXiv · AI· Randy Ardywibowo, Arnav Dalal, Jiantao Jiao·· 2026-10-08AI 评分41
JOLT:联合在线策略学习与教学,使自教师适配学生能力
A Good Self-Teacher Meets the Student Where They Are: Joint On-Policy Learning and Teaching
AI 导读
JOLT 提出联合在线策略学习与教学框架,通过训练兼具特权教师与非特权学生角色的单一策略,解决稀疏奖励下的监督难题。 方法基于推导出的教师更新有效性充要条件,使用结合结果奖励与 token 级 KL 正则化的目标训练教师,确保指导适配学生当前能力。 在数学推理、编码、工具使用及终端操作任务中,JOLT 提升了训练效率与模型性能。
来源:arXiv · AI · arxiv.org