arXiv · cs.AI· Randy Ardywibowo, Arnav Dalal, Jiantao Jiao·· 19 小时前
JOLT：联合在线策略学习与教学的自蒸馏方法
A Good Self-Teacher Meets the Student Where They Are: Joint On-Policy Learning and Teaching
arXiv:2610.10447v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Randy Ardywibowo, Arnav Dalal, Jiantao Jiao
首次提交：2026-10-08 01:19
研究任务与主要进展
基于论文摘要，作者提出 JOLT，将同一策略同时训练为特权教师和非特权学生，以解决自蒸馏监督与学生当前能力不匹配的问题。作者推导了教师局部蒸馏更新成为学生奖励梯度正倍数的必要充分条件，并用结合结果奖励与面向学生的 token 级 KL 正则化的目标训练教师。摘要报告该方法在数学推理、编码、工具使用和终端使用中提高了训练效率与表现，引入学生奖励后还获得进一步收益。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org