Dobrý učiteľ sa prispôsobí tomu, kde študent práve je

Nová metóda samodestilácie, ktorá spoločne trénuje učiteľa a študenta s cieľom zlepšiť výkon modelu a efektivitu tréningu pri zložitom uvažovaní a agentových úlohách.

AutoriPerplexity Research & NVIDIA

Úvod

Učenie posilňovaním (Reinforcement Learning, RL) sa vo veľkej miere využíva pri dodatočnom trénovaní jazykových modelov na zlepšenie ich schopností pri zložitom uvažovaní a agentových úlohách s dlhým horizontom.

V typickom nastavení sa model opakovane pokúša vyriešiť úlohu, za každý pokus dostane odmenu za výsledok a učí sa uprednostňovať akcie z pokusov s vyššou odmenou. Jediná odmena za výsledok však poskytuje len riedky učebný signál, ktorý nerozlišuje, ktoré medzikroky výsledku pomohli a ktoré mu uškodili. Táto riedkosť obmedzuje efektivitu využitia vzoriek, najmä pri náročných agentových úlohách, kde sú pokusy dlhé a úspechy zriedkavé.

Jedným z populárnych prístupov k riešeniu tejto riedkosti je On-Policy Distillation (OPD), ktorá využíva silnejší model učiteľa na usmerňovanie vlastných pokusov študenta token po tokene, čím poskytuje oveľa hustejšie odmeny. Vyučovanie je však samostatná zručnosť. Model, ktorý dobre rieši úlohu, nemusí nutne dobre učiť, ako ju riešiť, pretože jeho spätná väzba môže presahovať aktuálne schopnosti študenta. To je dôvod trénovať nielen študenta, aby napodobňoval učiteľa, ale aj učiteľa, aby poskytoval usmernenia lepšie prispôsobené študentovi.

Navrhujeme jednu takúto metódu, Joint On-policy Learning and Teaching (JOLT). Nadväzujeme na On-Policy Self-Distillation (OPSD) a používame jeden model v dvoch rolách: ako učiteľa s prístupom k privilegovaným informáciám, napríklad k overeným riešeniam, a ako študenta bez takéhoto prístupu. Obe roly trénujeme spoločne. Študent optimalizuje štandardnú destilačnú cieľovú funkciu. Cieľová funkcia učiteľa vedie jeho spätnú väzbu k tomu, aby posúvala študenta rovnakým smerom ako RL založené na vlastnej odmene študenta. Tieto cieľové funkcie spolu učia učiteľa prispôsobiť sa tomu, kde študent práve je, a pomáhajú študentovi učiť sa z usmernení, ktoré má na dosah.

Naše experimenty preukazujú zlepšenie výkonu modelu aj efektivity tréningu v širokej škále úloh – od matematického uvažovania cez programovanie až po agentové úlohy.

Od riedkych odmien k hustej spätnej väzbe

Vo svojej najzákladnejšej podobe využíva RL s odmenou za výsledok cieľovú funkciu očakávaného výnosu:

JRL(θ)=Eτ∼πθ[R(τ)]\mathcal{J}_{\mathrm{RL}}(\theta) = \mathbb{E}_{\tau\sim\pi_\theta}\left[R(\tau)\right]

Tu je τ\tau trajektória generovaná podľa politiky πθ\pi_\theta a R(τ)R(\tau) je výnos tejto trajektórie. Zodpovedajúci gradient politiky je:

gRL(θ)=∇θJRL(θ)=Eτ∼πθ[∑tR(τ) ∇θlog⁡πθ(at∣st)]g_{\mathrm{RL}}(\theta) = \nabla_\theta \mathcal{J}_{\mathrm{RL}}(\theta) = \mathbb{E}_{\tau\sim\pi_\theta}\left[\sum_t R(\tau)\,\nabla_\theta\log\pi_\theta(a_t\mid s_t)\right]

kde sts_t a ata_t predstavujú v uvedenom poradí stav a akciu v časovom kroku tt. Na zníženie rozptylu odhadov založených na vzorkách sa gradient často vyjadruje ako:

gRL(θ)=Eτ∼πθ[∑tAπθ(st,at) ∇θlog⁡πθ(at∣st)]g_{\mathrm{RL}}(\theta) = \mathbb{E}_{\tau\sim\pi_\theta}\left[\sum_t A^{\pi_\theta}(s_t,a_t)\,\nabla_\theta\log\pi_\theta(a_t\mid s_t)\right]

kde výhoda Aπθ(st,at)A^{\pi_\theta}(s_t, a_t) meria očakávaný dodatočný výnos akcie ata_t v porovnaní s aktuálnou politikou v stave sts_t. Jeden z prístupov, Group Relative Policy Optimization (GRPO), odhaduje výhodu porovnaním výnosu každej trajektórie s priemerným výnosom skupiny vzorkovanej pre ten istý prompt.

Aj s týmito úpravami však učenie posilňovaním s odmenou za výsledok trpí riedkym dohľadom, najmä pri náročných úlohách s dlhým horizontom. Čoraz viac prác to rieši čerpaním z ďalších zdrojov informácií, ktoré poskytujú hustejší učebný signál.

On-Policy Distillation (OPD) je jedným z takýchto prístupov. Namiesto učenia sa len z konečnej odmeny OPD vzorkuje trajektórie zo študenta a každú vzorkovanú akciu vyhodnocuje pomocou silnejšieho učiteľa. Pre politiku učiteľa πT\pi_T a pevnú snímku θˉ\bar{\theta} parametrov študenta použitých na generovanie trajektórií je lokálny gradient vyhodnotený v bode θ=θˉ\theta = \bar{\theta}:

gOPD(θˉ;πT)=∇θJOPD(θ;θˉ,πT)∣θ=θˉ=−∇θEτ∼πθˉ ⁣[∑tKL ⁣(πθ(⋅∣st) ∥ πT(⋅∣st))]∣θ=θˉ=Eτ∼πθˉ[∑t(log⁡πT(at∣st)−log⁡πθˉ(at∣st)) ∇θˉlog⁡πθˉ(at∣st)]\begin{aligned}g_{\mathrm{OPD}}(\bar\theta;\pi_T) &= \left.\nabla_\theta \mathcal{J}_{\mathrm{OPD}}(\theta;\bar\theta,\pi_T)\right|_{\theta=\bar\theta}\\ &= -\left.\nabla_\theta \mathbb{E}_{\tau\sim\pi_{\bar\theta}}\!\left[\sum_t \mathrm{KL}\!\left(\pi_\theta(\cdot\mid s_t)\,\middle\|\,\pi_T(\cdot\mid s_t)\right)\right]\right|_{\theta=\bar\theta}\\ &= \mathbb{E}_{\tau\sim\pi_{\bar\theta}}\left[\sum_t \bigl(\log\pi_T(a_t\mid s_t)-\log\pi_{\bar\theta}(a_t\mid s_t)\bigr)\,\nabla_{\bar\theta}\log\pi_{\bar\theta}(a_t\mid s_t)\right]\end{aligned}

Tu JOPD(θ;θˉ,πT)\mathcal{J}_{\mathrm{OPD}}(\theta;\bar\theta,\pi_T) predstavuje zápornú destilačnú cieľovú funkciu založenú na reverznej KL divergencii. Politika učiteľa a vzorkované prefixy sú počas derivovania pevné. Pomer logaritmických pravdepodobností učiteľa a študenta poskytuje hustý učebný signál v každom navštívenom stave a nahrádza výhodu ako váhu na úrovni akcií.

On-Policy Self-Distillation (OPSD) navyše odstraňuje potrebu samostatného modelu učiteľa. Politika študenta slúži ako vlastný učiteľ, ktorý dostáva privilegované informácie, napríklad overené riešenie, spätnú väzbu alebo referenčnú stopu. OPSD však študenta len učí napodobňovať učiteľa; neexistuje mechanizmus, ktorý by zaručil, že učiteľ študentovi poskytuje užitočný signál.

Spoločné on-policy učenie a vyučovanie

JOLT rozširuje OPSD tým, že trénuje spoločný model zároveň ako učiteľa, ktorý poskytuje lepšie prispôsobené usmernenia, aj ako študenta, ktorý sa z nich učí. Lepšie informovaný učiteľ sa učí z odmien za výsledok s KL regularizáciou smerom k študentovi, zatiaľ čo neprivilegovaný študent sa učí z hustého destilačného signálu učiteľa. Aktualizácia učiteľa využíva pokusy vygenerované učiteľom, zatiaľ čo aktualizácia študenta využíva pokusy vygenerované študentom a ohodnotené učiteľom. JOLT+ navyše dopĺňa destilačný signál študenta o odmeny za výsledok.

Jedna politika sa učí ako učiteľ aj ako študent.

Trénovanie učiteľa

Definujme, čo by mal učiteľ robiť

Lepší výkon učiteľa sa nemusí nutne premietnuť do užitočných aktualizácií študenta. Učiteľ môže využiť privilegované informácie na skratky, ktoré študent nemá k dispozícii, prideliť vysokú pravdepodobnosť trajektóriám, ktoré sú pre študenta nepravdepodobné, alebo poskytovať nespoľahlivé usmernenia po chybách v prefixoch vygenerovaných študentom. Kvalitu učiteľa by preto mal určovať učebný signál, ktorý poskytuje študentovi, a nie vlastná odmena učiteľa za úlohu.

Učiteľa nazývame konzistentným s odmenou, ak destilačná aktualizácia, ktorú vyvolá v študentovi, zodpovedá gradientu politiky očakávanej odmeny študenta za úlohu, až na kladný násobok. Konkrétne by učiteľ πT⋆\pi_T^\star konzistentný s odmenou mal spĺňať:

gOPD(θˉ;πT⋆)=1βT gRL(θˉ)g_{\mathrm{OPD}}(\bar\theta;\pi_T^\star) = \frac{1}{\beta_T}\,g_{\mathrm{RL}}(\bar\theta)

kde βT\beta_T je kladný skalár. Rovnako ako v predchádzajúcej časti je gOPDg_{\mathrm{OPD}} lokálny gradient OPD, θˉ\bar\theta je pevná snímka parametrov modelu študenta θ\theta a gRLg_{\mathrm{RL}} je gradient politiky cieľovej funkcie očakávaného výnosu.

Jedným z učiteľov, ktorí spĺňajú túto podmienku, je:

πT⋆(a∣s,c)=1Z(s) πθˉ(a∣s)exp⁡ ⁣(1βTAπθˉ(s,a))\pi_T^\star(a\mid s,c) = \frac{1}{Z(s)}\,\pi_{\bar\theta}(a\mid s)\exp\!\left(\frac{1}{\beta_T}A^{\pi_{\bar\theta}}(s,a)\right)

Tu Aπθˉ(s,a)A^{\pi_{\bar{\theta}}}(s, a) predstavujú výhody pokračovania študenta a Z(s)Z(s) je normalizačná konštanta, ktorá zabezpečuje správne pravdepodobnostné rozdelenie.

Od ideálneho cieľa k cieľovej funkcii učiteľa

Učiteľa môžeme trénovať smerom k ideálnemu cieľu πT⋆\pi_T^\star minimalizáciou jeho KL divergencie od tohto cieľa. Pre pevne daného študenta a stav ss dostaneme:

min⁡πT KL ⁣(πT(⋅∣s,c) ∥ πT⋆(⋅∣s,c))\min_{\pi_T}\,\mathrm{KL}\!\left(\pi_T(\cdot\mid s,c)\,\middle\|\,\pi_T^\star(\cdot\mid s,c)\right)

Dosadením výrazu pre πT⋆\pi_T^\star dostaneme ekvivalentný maximalizačný problém:

max⁡πT{Ea∼πT(⋅∣s,c) ⁣[Aπθˉ(s,a)]−βT KL ⁣(πT(⋅∣s,c) ∥ πθˉ(⋅∣s))}\max_{\pi_T}\Biggl\{\mathbb{E}_{a\sim\pi_T(\cdot\mid s,c)}\!\left[A^{\pi_{\bar\theta}}(s,a)\right]-\beta_T\,\mathrm{KL}\!\left(\pi_T(\cdot\mid s,c)\,\middle\|\,\pi_{\bar\theta}(\cdot\mid s)\right)\Biggr\}

Táto cieľová funkcia motivuje učiteľa voliť akcie s vyššou výhodou pre študenta a zároveň zostať blízko rozdelenia akcií študenta. Parameter βT\beta_T riadi silu tejto penalizácie: vyššie hodnoty udržiavajú učiteľa bližšie k aktuálnemu správaniu študenta, zatiaľ čo nižšie hodnoty mu umožňujú agresívnejšie uprednostňovať akcie s vysokou výhodou.

Praktická náhradná cieľová funkcia

Táto cieľová funkcia závisí od toho, ako dobre by študent pokračoval po každej akcii, no tieto výhody pokračovania študenta zvyčajne nie sú k dispozícii. Ako praktickú náhradu preto používame centrované výnosy z vlastných trajektórií učiteľa. Člen s odmenou motivuje učiteľa vyriešiť úlohu, zatiaľ čo člen KL ho odrádza od odchýlok od aktuálneho rozdelenia akcií študenta. Hoci člen KL udržiava učiteľa blízko študenta, táto náhrada nie je presná, pretože výnosy učiteľa sa nemusia zhodovať s výhodami pokračovania študenta.

JT(θ;θˉ)=Eτ∼πθˉ(⋅∣c)[ ∑t(sg⁡[A^T(τ)]log⁡πθ(at∣st,c)−βT KL(πθ(⋅∣st,c) ∥ sg⁡[πθˉ(⋅∣st)]))]\begin{aligned}\mathcal{J}_T(\theta;\bar\theta) = \mathbb{E}_{\tau\sim\pi_{\bar\theta}(\cdot\mid c)}\Biggl[\,\sum_t \Bigl(&\operatorname{sg}\bigl[\widehat{A}_T(\tau)\bigr]\log\pi_\theta(a_t\mid s_t,c)\\ &-\beta_T\,\mathrm{KL}\bigl(\pi_\theta(\cdot\mid s_t,c)\,\big\|\,\operatorname{sg}[\pi_{\bar\theta}(\cdot\mid s_t)]\bigr)\Bigr)\Biggr]\end{aligned}

Tu je A^T(τ)\widehat{A}_T(\tau) výnos pokusu učiteľa mínus priemerný výnos pokusov vygenerovaných učiteľom v jeho skupine. Operátor sg⁡\operatorname{sg} označuje zastavenie gradientu (stop-gradient): jeho argument sa počas derivovania považuje za pevný, rovnako ako vzorkované prefixy a referencia študenta.

Trénovanie študenta

Aktualizácia študenta je štandardná aktualizácia OPSD. Študent generuje trajektórie na základe úlohy. Ten istý model potom ohodnotí každý vzorkovaný token s privilegovanými informáciami v kontexte. Cieľová funkcia študenta penalizuje reverznú KL divergenciu medzi študentom a týmto privilegovaným učiteľom v každom stave, ktorý študent navštívi:

JOPSD(θ;θˉ)=− Eτ∼πθˉ[∑tKL(πθ(⋅∣st) ∥ sg⁡[πθˉ(⋅∣st,c)])]\mathcal{J}_{\mathrm{OPSD}}(\theta;\bar\theta) = -\,\mathbb{E}_{\tau\sim\pi_{\bar\theta}}\left[\sum_t \mathrm{KL}\bigl(\pi_\theta(\cdot\mid s_t)\,\big\|\,\operatorname{sg}[\pi_{\bar\theta}(\cdot\mid s_t,c)]\bigr)\right]

Tokeny, ktoré učiteľ uprednostňuje, sa preto posilňujú, zatiaľ čo tokeny, ktoré učiteľ považuje za menej pravdepodobné než študent, sa potláčajú.

Spojenie všetkých častí

Spojením cieľových funkcií učiteľa a študenta dostaneme spoločnú tréningovú cieľovú funkciu:

JJOLT(θ;θˉ)=JT(θ;θˉ)+βS JOPSD(θ;θˉ)\mathcal{J}_{\mathrm{JOLT}}(\theta;\bar\theta) = \mathcal{J}_T(\theta;\bar\theta) + \beta_S\,\mathcal{J}_{\mathrm{OPSD}}(\theta;\bar\theta)

βS\beta_S je skalár, ktorý určuje, akú váhu má destilačná strata študenta v kombinovanej aktualizácii.

Výsledok o konzistencii s odmenou charakterizuje destilačnú aktualizáciu študenta pre daného učiteľa. JOLT využíva tento princíp na riadenie spoločného tréningu: kombinuje cieľové funkcie učiteľa a študenta a aktualizuje ich spoločné parametre.

JOLT+ navyše do aktualizácie študenta pridáva jeho vlastnú odmenu za výsledok. K destilačnému signálu sa pripočíta centrovaný výnos každej trajektórie študenta, čím sa hustý dohľad učiteľa spája s priamou spätnou väzbou na výsledok trajektórií študenta. Cieľová funkcia učiteľa zostáva nezmenená, takže môžeme písať:

JJOLT+(θ;θˉ)=JT(θ;θˉ)+βS JOPSD(θ;θˉ)+Eτ∼πθˉ ⁣[∑tsg⁡[A^S(τ)] log⁡πθ(at∣st)]\begin{aligned}\mathcal{J}_{\mathrm{JOLT+}}(\theta;\bar\theta) &= \mathcal{J}_T(\theta;\bar\theta)+\beta_S\,\mathcal{J}_{\mathrm{OPSD}}(\theta;\bar\theta)\\ &\quad+\mathbb{E}_{\tau\sim\pi_{\bar\theta}}\!\left[\sum_t \operatorname{sg}[\widehat{A}_S(\tau)]\,\log\pi_\theta(a_t\mid s_t)\right]\end{aligned}

Tu je A^S(τ)\widehat{A}_S(\tau) výnos trajektórie študenta mínus priemerný výnos jej skupiny trajektórií vygenerovaných študentom.

V oboch variantoch sa každá rola učí z trajektórií vygenerovaných v jej vlastnom kontexte a obe roly aktualizujú spoločnú politiku. Pseudokód tréningového kroku je uvedený nižšie.

Pseudokód jedného tréningového kroku JOLT.

Experimenty

JOLT a JOLT+ hodnotíme na benchmarkoch zahŕňajúcich matematické uvažovanie, generovanie kódu, používanie nástrojov a terminálové úlohy s dlhým horizontom, s rôznymi základnými modelmi a rôznymi formami privilegovaných informácií. Konkrétne vykonávame experimenty s nasledujúcimi benchmarkmi, základnými modelmi a konfiguráciami privilegovaných informácií:

  • GSM8K: Model DeepSeek-V2-Lite trénujeme na GSM8K, datasete matematických úloh na úrovni základnej školy. Učiteľ dostáva overenú odpoveď na každú úlohu.
  • MATH: Model Qwen3-0.6B trénujeme na MATH. Učiteľ dostáva vypracované referenčné riešenia.
  • LCBv6: Model Qwen3-8B trénujeme na 131 programátorských úlohách z LiveCodeBench-V6. Učiteľ dostáva riešenie vygenerované modelom, ktoré prešlo všetkými testami viditeľnými počas tréningu, alebo spätnú väzbu zo spustenia, ak žiadny pokus testami neprešiel.
  • AppWorld: Model Qwen3-4B-Instruct trénujeme na AppWorld. Učiteľ dostáva zhrnutia predchádzajúcich pokusov.
  • Terminal-Bench: Model Qwen3-30B-A3B-Instruct trénujeme na TMax, súbore tréningových úloh pre terminálových agentov, a hodnotíme ho na Terminal-Bench 2.1. Učiteľ dostáva neverejné informácie z verifikátora.

Porovnávame s GRPO, OPSD a π-Distill, pričom hyperparametre ladíme pre každú metódu zvlášť. Podobne ako JOLT, aj π-Distill spoločne trénuje privilegovanú rolu učiteľa a rolu študenta v rámci jedného spoločného modelu; používa však iný cieľ učiteľa a jeho aktualizácia študenta zostáva off-policy – spolieha sa na trajektórie vygenerované učiteľom, a nie na vlastné výstupy študenta.

Presnosť

JOLT+ dosahuje najvyššie priemerné skóre vo všetkých hodnotených nastaveniach. V porovnaní s GRPO, najsilnejšou testovanou porovnávacou metódou, zlepšuje presnosť na GSM8K o 1,5 percentuálneho bodu (p. b.), presnosť na MATH o 4,2 p. b., presnosť na LCBv6 o 3,0 p. b. a podiel úspešných stavových testov v AppWorld o 9,9 p. b.

JOLT+ má najvyššie priemerné skóre na všetkých štyroch benchmarkoch.

Bez akejkoľvek priamej odmeny pre študenta je priemerná presnosť JOLT na GSM8K, MATH a LCBv6 vyššia ako v prípade GRPO. Na AppWorld však zaostáva za GRPO aj za π-Distill.

Terminal-Bench 2.1 je nastavenie s najdlhším horizontom. JOLT+ dosahuje najvyššiu hodnotu pass@k pri každom uvedenom k, od 10,96 % pri pass@1 po 34,83 % pri pass@32. JOLT pri každom k prekonáva základný model aj obe destilačné porovnávacie metódy, no zaostáva za GRPO. OPSD dosahuje pri každom k horšie skóre ako základný model.

JOLT+ vedie na Terminal-Bench pri každom rozpočte pokusov.

Efektivita využitia tokenov a škálovanie

Zaujíma nás aj to, ako sa výkon škáluje s tréningovým rozpočtom. GRPO, OPSD a JOLT hodnotíme pri rôznych rozpočtoch tréningových tokenov na MATH a porovnávame výslednú presnosť študenta.

Graf ukazuje, ako sa presnosť jednotlivých metód škáluje s objemom vynaložených tréningových tokenov. Náklady meriame v spracovaných tréningových tokenoch. Patrí sem každý prompt bez paddingu, privilegovaný kontext, optimalizačný prechod a krížové skórovanie medzi učiteľom a študentom.

JOLT potrebuje menej tokenov na dosiahnutie presnosti GRPO.

Body znázorňujú počet spracovaných tréningových tokenov a presnosť v rôznych kontrolných bodoch; úsečky predstavujú ±1 smerodajnú odchýlku naprieč behmi. Vzťah medzi presnosťou a logaritmom rozpočtu tréningových tokenov aproximujeme sigmoidálnou funkciou v súlade s predchádzajúcou prácou o škálovaní výpočtov pre RL.

JOLT vykazuje vysokú efektivitu využitia vzoriek už v počiatočnej fáze a zároveň dosahuje najvyššiu presnosť z troch metód, pričom sa ustáli blízko 72 %. OPSD sa pri malých rozpočtoch rýchlo zlepšuje, no stagnuje približne na 62 % presnosti. GRPO sa spočiatku učí pomalšie, ale zlepšuje sa dlhšie a vystúpi približne na 70 %. Pri rovnakej presnosti 63,44 % využíva pozorovaný kontrolný bod GRPO 8,40 milióna tokenov, zatiaľ čo aproximačná krivka JOLT dáva 1,30 milióna, teda 6,5× menej tokenov.

Náklady meriame aj pomocou tokenov dokončení, ktoré pri GRPO a OPSD zahŕňajú dokončenia študenta a pri JOLT dokončenia učiteľa aj študenta, no nezahŕňajú prompty, privilegovaný kontext ani dodatočné optimalizačné prechody. Pri porovnaní na základe tokenov dokončení namiesto spracovaných tréningových tokenov sa rozdiel v efektivite pri rovnakej úrovni presnosti zväčší približne na 13×. V rozsahu cieľových presností využíva JOLT 9,5–14,4× menej tokenov dokončení a 4,3–7,4× menej spracovaných tréningových tokenov.

Tokenová výhoda JOLT pretrváva od 55 % do 65 % presnosti.

Záver

Privilegované informácie môžu učiteľovi pomôcť lepšie riešiť úlohu bez toho, aby ho zlepšili v tom, ako naučiť študenta riešiť tú istú úlohu bez týchto informácií. JOLT tento rozdiel rieši tak, že trénuje učiteľa vo vzťahu k aktuálnemu správaniu študenta.

Tento spoločný tréning zlepšuje presnosť aj efektivitu. S odmenami za výsledok pre študenta dosahuje JOLT+ oproti GRPO absolútne zlepšenie o 1,5 p. b. na GSM8K, o 4,2 p. b. na MATH, o 3,0 p. b. na LCBv6, o 9,9 p. b. na AppWorld a o 2,7 p. b. v metrike pass@1 na Terminal-Bench 2.1. Na MATH využíva JOLT pri rovnakej presnosti 13× menej tokenov dokončení a 6,5× menej spracovaných tréningových tokenov než GRPO, a to bez priamej odmeny pre študenta.

JOLT umožňuje, aby sa usmernenia učiteľa vyvíjali spolu so študentom. To otvára otázku, či sa učiteľ dokáže naučiť aj generovať užitočné tréningové úlohy. Zaujímavým smerom budúceho výskumu je spoločné trénovanie učiteľa generujúceho úlohy a študenta riešiaceho problémy, pričom by sa pokrok študenta v učení využíval na zlepšovanie generovaných úloh v rámci učebného plánu. Generovanie syntetických úloh by tak mohlo reagovať na to, čo je študent pripravený naučiť sa v ďalšom kroku.

Viac podrobností nájdete v našej úplnej štúdii. Kód čoskoro zverejníme ako open source.

Citácia

BibTeX
@online{perplexity2026AGoodTeacherMeetsTheStudentWhereTheyAre,
  author = {{Perplexity} and Randy Ardywibowo and Arnav Dalal and Jiantao Jiao and Jarrod Bryan and Claire Beamer and Jeremy Yang and Jerry Ma},
  title = {{A good teacher meets the student where they are}},
  date = {2026-10-21},
  url = {https://www.perplexity.ai/hub/blog/a-good-teacher-meets-the-student-where-they-are}
}