Perplexity 发布 JOLT 后训练法，五项基准全胜 GRPO

Perplexity 团队推出后训练新方法 JOLT：同一模型同时扮演老师与学生，老师被训练给出学生真正用得上的反馈，防止其利用额外信息走捷径。与 GRPO 每次尝试只给一个标量奖励、看不到步骤贡献不同，JOLT 提供逐 token 反馈。在 MATH 上所需训练 token 仅为 GRPO 的 1/6.5；JOLT+ 在覆盖数学、编码、工具使用与终端任务的五项基准上全面超过 GRPO，AppWorld 领先 9.9 分。

2026-10-22 ~ 2026-10-22 · 4 条相关

• Perplexity 发布 JOLT:训练 token 只需 GRPO 的 1/6.5 — perplexity_ai · 2026-10-22
• JOLT 对比 GRPO:单次尝试只给一个奖励,看不到步骤贡献 — perplexity_ai · 2026-10-22
• JOLT 机制拆解:同一模型师徒双角色,防老师走捷径 — perplexity_ai · 2026-10-22
• JOLT+ 五项基准全胜 GRPO,AppWorld 领先 9.9 分 — perplexity_ai · 2026-10-22