Todo mundo já teve um professor que sabia tudo e não ensinava nada. Ele resolvia a questão no quadro com o gabarito na cabeça, pulava três passos e seguia adiante. A turma copiava, não entendia e errava na prova. Três pesquisadores resolveram cobrar esse defeito de uma inteligência artificial: Randy Ardywibowo e Arnav Dalal, da Perplexity (abre em nova aba), e Jiantao Jiao, da NVIDIA (abre em nova aba). O artigo (abre em nova aba) saiu em 7 de outubro, e a Perplexity o detalhou num texto (abre em nova aba) publicado no dia 21. Ele apresenta o JOLT, sigla em inglês para aprendizado e ensino conjuntos. Um mesmo modelo faz o papel de professor e de aluno, e o professor é treinado para dar lições que o aluno consiga acompanhar.
O professor que cola
O método parte de uma técnica anterior, a autodestilação (OPSD, na sigla em inglês). Nela, o modelo também se divide em dois. Como professor, recebe informação privilegiada: a resposta verificada de um problema, uma solução comentada ou o resultado de um teste de código. Como aluno, vê só o enunciado. O aluno tenta e o professor comenta. Segundo os autores, o defeito é que ter o gabarito não garante uma boa aula, porque o professor pode usar atalhos que o aluno não tem como seguir.
O JOLT passa a treinar também o professor. Ele ganha recompensa quando chega ao resultado certo e é penalizado quando se afasta demais do jeito de pensar do aluno. O aluno aprende com a avaliação do professor sobre as próprias tentativas, pedaço por pedaço do texto. Esses pedaços se chamam tokens, e cada um custa processamento. Existe ainda uma versão reforçada, o JOLT+, que além da lição premia o aluno quando ele mesmo acerta. No anúncio oficial no X, a Perplexity resumiu a aposta na figura do professor treinado para ser útil:
Nova pesquisa: desenvolvemos o JOLT, um método de pós-treinamento em que um mesmo modelo atua como professor e como aluno, com o professor treinado para dar um retorno que o aluno consiga usar. No MATH, ele igualou a precisão do GRPO com 6,5 vezes menos tokens de treinamento.
A conta da economia
O MATH é um conjunto de problemas de matemática. Com um modelo pequeno, o Qwen3-0.6B, o JOLT chegou a 63,44% de acerto gastando 1,30 milhão de tokens processados no treino. O GRPO, método de aprendizado por reforço usado como régua de comparação, precisou de 8,40 milhões para chegar ao mesmo ponto. Se a conta incluir só o texto que o modelo escreve, a diferença vai a cerca de 13 vezes. Na faixa entre 55% e 65% de acerto, a vantagem oscila de 4,3 a 7,4 vezes.
Um detalhe merece registro. O número do GRPO vem de um ponto observado do treinamento. O do JOLT vem de uma curva ajustada aos resultados. É recurso estatístico legítimo, mas é a diferença entre a fotografia e o desenho feito a partir dela.
A economia de nada adiantaria se o aluno aprendesse menos, e pelo que os autores mediram isso não aconteceu. O JOLT estaciona perto de 72% no MATH, o GRPO perto de 70% e a autodestilação antiga perto de 62%. O professor que cola ensina pior, e agora há números para isso.
Onde o método tropeça
Os autores testaram cinco modelos, entre eles o Qwen3-8B e o DeepSeek-V2-Lite, contra três concorrentes. A tabela traz a média de acertos, em %, nos testes principais. No Terminal-Bench, conta o acerto na primeira tentativa.
| Teste (modelo) | JOLT | JOLT+ | GRPO | OPSD | π-Distill |
|---|---|---|---|---|---|
| MATH (Qwen3-0.6B) | 72,14 | 72,59 | 68,36 | 61,20 | 42,25 |
| LiveCodeBench v6 (Qwen3-8B) | 47,64 | 49,08 | 46,13 | 45,34 | 38,23 |
| AppWorld (Qwen3-4B-Instruct) | 51,92 | 72,09 | 62,20 | 29,49 | 59,85 |
| Terminal-Bench 2.1 (Qwen3-30B-A3B-Instruct) | 6,56 | 10,96 | 8,25 | 2,82 | 4,99 |
O JOLT puro vence o GRPO em matemática e programação. No AppWorld e no Terminal-Bench, os dois testes em que o modelo executa tarefas em vez de apenas responder, ele perde. No AppWorld fica cerca de 10 pontos abaixo do GRPO e atrás até do π-Distill. Ali a lição do professor não bastou, e foi preciso premiar o acerto do aluno. Com o JOLT+, a vantagem sobre o GRPO vai de 1,5 ponto percentual no GSM8K, outro teste de matemática, a 9,9 pontos no AppWorld.
O Terminal-Bench pede humildade. O JOLT+ acerta 10,96% das tarefas na primeira tentativa, e o modelo sem esse treino acertava 5,18%. O índice dobrou, e mesmo assim o modelo erra quase nove em cada dez. Com 32 tentativas, a chance de ao menos um acerto sobe a 34,83%, contra 30,34% do GRPO.
O que falta saber
Todos os números vêm dos próprios autores, e ninguém reproduziu o trabalho de forma independente. Segundo o MarkTechPost, que resumiu o artigo, o equipamento usado no treino não foi divulgado. Sem essa informação, não dá para saber quanto a economia de tokens vale em dinheiro ou em horas de máquina. A variação entre rodadas é grande em alguns casos: no AppWorld, o desvio do JOLT+ chega a seis pontos. O teste de programação usou só 131 problemas. A favor dos autores, cada método teve seus ajustes calibrados separadamente, o que afasta a suspeita de que algum concorrente tenha sido mal configurado.
Se a economia se confirmar fora da casa, o JOLT barateia o pós-treinamento, a fase em que um modelo já pronto é lapidado para tarefas específicas. Isso interessa sobretudo a quem não tem orçamento de grande laboratório. Qualquer bom professor de cursinho sabe que gabarito não é aula. A novidade é cobrar essa lição da máquina na moeda que ela entende, que são os tokens.