近日，字節跳動Seed團隊攜手香港大學與復旦大學，共同推出了創新的強化學習訓練方法——POLARIS。該方法通過精心設計的Scaling RL策略，成功將小模型的數學推理能力提升至與超大模型相媲美的水平，為人工智能領域的小模型優化提供了新路徑。

實驗結果顯示，采用POLARIS訓練的40億參數開源模型Qwen3-4B，在AIME25和AIME24數學測試中分別取得了79.4%和81.2%的高準確率，性能超越部分更大規模的閉源模型。尤為突出的是，POLARIS-4B模型的輕量化設計，使其能夠在消費級顯卡上輕松部署，大大降低了應用門檻。

POLARIS的核心創新在于其訓練策略。研究團隊發現，通過圍繞待訓練模型定制訓練數據和超參數設置，可以顯著提升小模型的數學推理能力。具體實踐中，團隊動態調整了訓練數據的難度分布，構建了輕微偏向難題的數據集，以避免樣本難度過于集中。同時，引入數據動態更新策略，根據模型在訓練過程中的表現實時剔除過易樣本，確保訓練的有效性。

在采樣控制方面，POLARIS通過精細調控采樣溫度，平衡了模型性能與生成路徑的多樣性。研究發現，采樣溫度對模型性能和路徑多樣性具有顯著影響，過高或過低的溫度均不利于模型訓練。因此，團隊提出了控制探索區的溫度初始化方法，并在訓練過程中動態調整采樣溫度，以保持生成內容的多樣性。

針對長上下文訓練的挑戰，POLARIS引入了長度外推技術，通過位置編碼RoPE的調整，使模型能夠處理超出訓練時所見的更長序列。這一創新策略有效補償了長文本訓練中的不足，提升了模型在長文本生成任務上的性能。

此外，POLARIS還采用了多階段RL訓練方法，早期使用較短的上下文窗口進行訓練，待模型表現收斂后再逐漸增加上下文窗口長度。這一策略有助于模型逐步適應更復雜的推理任務，提升了訓練的穩定性和效果。

目前，POLARIS的詳細訓練方法、訓練數據、訓練代碼和實驗模型已全部開源。研究團隊在多個主流推理評測集上驗證了POLARIS的有效性，結果顯示，不同規模的模型以及不同的模型家族在應用POLARIS訓練方法后，模型效果均有顯著提升。

GitHub 主頁:

https://github.com/ChenxinAn-fdu/POLARIS

Hugging Face 主頁:

https://huggingface.co/POLARIS-Project