强化学习后训练的成本，正在从“算法好不好”转向“token 烧不烧得起”。Perplexity 与 NVIDIA 的研究者给出的答案是：让模型自己教自己。
发生了什么
据 MarkTechPost 报道，Perplexity 与 NVIDIA 的研究者联合提出了一种名为 JOLT 的后训练方法，核心思路是“联合师生强化学习”——同一个模型在训练中同时承担教师和学生的角色，而不是依赖一个独立、通常更大的教师模型来提供监督信号。
报道给出的关键结果是：在 MATH 数学推理基准上，JOLT 达到了与 GRPO（Group Relative Policy Optimization，当前主流的 RL 后训练方法之一）相当的准确率，但处理过的训练 token 数量约为后者的 1/6.5。换句话说，同等效果下训练开销显著下降。
为什么重要
GRPO 之所以流行，是因为它绕开了 PPO 需要单独价值网络的负担，用组内相对比较来估计优势，实现简单、效果稳定，已经成为不少开源推理模型后训练的标准配置。但它的代价也很直接：每个问题要采样多条回答做组内比较，token 消耗随采样数线性上升，训练越长越贵。
JOLT 的切入点正是这块成本。让模型自身兼任教师，意味着不必再维护一个额外的强教师模型来生成高质量监督，也减少了“教师信号与学生能力不匹配”的常见问题。而 6.5 倍的 token 效率提升，如果能在更多任务上复现，对算力预算有限的团队意义不小——后训练的门槛可能因此下移。
需要克制看待的是：目前公开信息只覆盖 MATH 这一项基准，方法在代码、通用对话、长链推理等场景是否同样成立，尚待验证；token 减少也不等于墙钟时间和显存占用等比例下降。
影响与看点
对开发者而言，最直接的价值是“同样的卡，能多跑几轮实验”。RL 后训练长期是大厂的游戏，采样成本高、调参周期长；如果自蒸馏式的师生合一能稳定工作，中小团队做领域微调的空间会变大。
对行业而言，这条路线延续了近期的整体趋势：后训练的效率竞赛已经和预训练的效率竞赛并驾齐驱。从 GRPO 到 DAPO、GSPO 一类的工作，大家都在削减 RL 的冗余计算，JOLT 把“教师”这一环也纳入了优化对象。
值得关注的三个点：一是复现情况，尤其是 MATH 之外基准上的表现；二是“自任教师”是否会带来自我强化偏差，即学生把教师的错误一并学走；三是 Perplexity 与 NVIDIA 的合作本身——前者有推理产品的真实负载，后者有算力与工程栈，这类组合产出的方法往往更容易落地到生产。
一句判断：JOLT 目前更像一个高性价比的效率信号，而非范式颠覆；但在 RL 后训练普遍“烧 token”的当下，效率本身就是竞争力。
