Ця стаття представляє 'Jackpot', фреймворк, розроблений для підвищення ефективності навчання з підкріпленням (RL) для великих мовних моделей (LLM) шляхом зменшення розбіжності розподілу між моделлю розгортання та еволюційною політикою. Він пропонує значний потенціал для зниження обчислювальних витрат у RL.