🎯 情报来源：量子位
香港大学NLP团队联合字节跳动Seed、复旦大学发布名为Polaris的强化学习训练配方，通过Scaling RL技术，仅用700步训练即让4B小模型在数学推理任务上超越Claude 4等商业大模型。Polaris-4B在AIME25评测中取得79.4分，AIME24达81.2分，性能接近其235B版本，且支持消费级显卡部署。
该研究突破性地提出数据动态更新策略和温度动态调整方法，通过长度外推技术将32K以上长文本推理准确率从26%提升至50%+。项目已完整开源训练数据、模型和代码，包含53K精选数据集和创新的多阶段训练方案。
💡 核心要点
- 4B模型数学推理超越Claude 4：AIME25得分79.4，AIME24得分81.2
- 700步RL训练逼近235B大模型性能
- 长文本推理准确率提升92%：从26%→50%+
- 动态温度调整策略使多样性分数稳定保持60
- 完整开源53K数据集及训练代码
📌 情报分析
技术价值：极高
首创镜像J型数据分布构建方法，突破小模型性能天花板。动态温度调整和长度外推技术（YaRN）具有方法论创新性，实验数据显示长文本处理能力提升显著。
商业价值：高
消费级显卡可部署的4B模型达到商业大模型水平，实测性能超越Seed-1.5-thinking等产品。开源策略可能加速行业小模型开发进程，但需关注专利布局。
趋势预测：高
预示RL训练效率革命：700步达成传统方法数千步效果。多阶段训练和动态参数调整可能成为下一代模型训练标准流程，尤其在数学推理等专业领域。