# Perplexity und NVIDIA stellen JOLT-Lernmethode vor

> Die neue Post-Training-Technik lässt ein Modell sich selbst trainieren und senkt den Tokenverbrauch beim MATH-Benchmark um das 6,5-Fache.

Oossa · 2026-10-22 · https://oossa.com/de/perplexity-and-nvidia-unveil-jolt-learning-method

Forschende von Perplexity und NVIDIA haben JOLT vorgestellt, eine gemeinsame Reinforcement-Learning-Methode für Lehrende und Lernende. Dabei wird ein einziges Modell nach der Haupttrainingsphase darauf trainiert, sowohl als Lehrendes als auch als Lernendes zu agieren. Beim MATH-Benchmark erzielte JOLT dieselbe Genauigkeit wie die GRPO-Methode und benötigte dabei 6,5-mal weniger Trainingstokens. Das Ergebnis zeigt, wie sich die Effizienz verbessern lässt, ohne die Modellarchitektur zu verändern.

## Die Fakten

- JOLT erreichte bei MATH mit 6,5-mal weniger verarbeiteten Tokens dieselbe Genauigkeit wie GRPO.
- Die Ankündigung erschien am 22. Okt. 2026 in einem Artikel von MarkTechPost.

## Warum es wichtig ist

Forschende können Modelle kostengünstiger feinabstimmen. So wird leistungsstarkes mathematisches Schlussfolgern auch für Labore mit begrenztem Rechenbudget leichter zugänglich.

## Quellen und Referenzen

1. [Perplexity and NVIDIA Researchers Introduce JOLT: a Joint Teacher-Student Reinforcement Learning Method](https://www.marktechpost.com/2026/10/21/perplexity-jolt-joint-on-policy-learning-teaching/) – MarkTechPost, 2026-10-22

Zuletzt aktualisiert: 2026-10-22