Perplexity と NVIDIA の研究者が、教師と生徒の共同強化学習法である JOLT を導入

Perplexity と NVIDIA は、1 つのモデルを教師と生徒の両方としてトレーニングするポストトレーニング手法である JOLT を導入しました。 MATH では、処理されるトレーニング トークンが 6.5 分の 1 であり、GRPO の精度と同等でした。 Perplexity と NVID の投稿…

概要は情報提供のみを目的としてまとめられています。全文についてはソース リンクを参照してください。デモのエントリは一例です。