Меньше — лучше: как Polaris-4B обошёл Qwen3-32B

Привет, Хабр!

В июне 2025 года команда из Гонконгского университета выложила открытые модели Polaris-4B-Preview и Polaris-7B-Preview, обученные с нуля на reasoning-задачах с использованием Reinforcement Learning. Эти модели не просто догоняют топовые коммерческие аналоги вроде Claude-Opus и Grok-3-Beta — они их обгоняют. Причём на архитектуре всего в 4 миллиарда параметров.

Все это результат продуманного инженерного подхода. В этой статье коротко рассмотрим, как авторам Polaris удалось:

• извлечь максимум из открытых данных,

• обеспечить стабильное масштабирование reasoning-моделей,

• обойти ограничения на длинные CoT без дообучения,

• и при этом не развалить RL.

Анализ сложности данных: фундамент устойчивого обучения

Обучение языковых моделей с подкреплением (RLHF или GRPO) традиционно страдает от одной системной ошибки: отсутствие баланса между лёгкими и сложными задачами. Большинство датасетов либо чрезмерно тривиальны, либо не поддаются решению даже сильными моделями.

В Polaris подошли к этому вопросу с инженерной строгостью. Они построили оценку сложности каждого примера в выборке на основании автономного вывода.

def estimate_difficulty(model, prompt, n=8):     outputs = [model.generate(prompt, temperature=0.6) for _ in range(n)]     return sum(is_correct(output) for output in outputs) / n

Чем выше доля правильных решений, тем проще задача. Таким образом, можно вычислить точечную метрику сложности на каждый пример, не прибегая к ручной разметке.

Зеркальное J-распределение

Результаты анализа распределения сложности оказались крайне показательными.

Модель на 1.5B параметров чаще проваливает задачи — распределение сложности принимает форму, зеркально напоминающую букву J: большинство задач крайне сложные.

Модель на 7B параметров, напротив, решает подавляющее большинство задач без ошибок. Распределение превращается в обычное J-распределение: всё слишком просто.

Один и тот же датасет по-разному «читается» моделями разной мощности. Для одной он слишком трудный, для другой — банален.

Фильтрация: формирование эффективного обучающего корпуса

Авторы сформировали три подвыборки на основе DeepScaleR-40K.

1. Полный набор: содержит 40 000 задач, с доминированием простых (8/8).

2. Фильтрованный: убраны все задачи с 8/8 решений, остаётся 26 000 задач.

3. Агрессивно отфильтрованный: остаются только те задачи, где менее половины решений успешны. 19 000 задач.

Тесты показали: слишком лёгкий или слишком сложный корпус одинаково бесполезен. Лучший результат даёт сбалансированная, отфильтрованная по сложности выборка.

Rollout-диверсификация и контроль температуры

Обучение с подкреплением предполагает сравнение хороших и плохих траекторий. Если модель генерирует однотипные ответы — никакого обучающего сигнала не возникает. Поэтому необходимо управлять разнообразием выборок, особенно в задачах reasoning, где одна и та же цель может быть достигнута разными логическими путями.

Метрики и управление diversity

Для оценки диверсификации использовалась метрика distinct-4 — доля уникальных 4-грамм по отношению к общему числу токенов.

Авторы протестировали зависимости между:

• температурой генерации (temperature)

• точностью (mean@32)

• разнообразием (distinct-4)

Результаты показали, что низкая температура (t=0.6) дает стабильность, но подавляет разнообразие. Рост температуры до 1.4–1.5 даёт всплеск разнообразия, при этом точность не проседает критично. При t>1.55 начинается коллапс: модель генерирует шум.

Динамическая адаптация температуры

Интересный ход: Polaris не фиксирует temperature, а постепенно увеличивает её на каждой фазе обучения, адаптируясь к уменьшению энтропии модели (модель начинает генерировать одно и то же).

Адаптивный механизм позволяет удерживать познавательный горизонт модели открытым, не давая ей застревать в уже найденных паттернах.

Масштабирование вывода: CoT без дообучения

Chain-of-Thought требует длинного вывода. Но обучать RL на последовательностях 32–52K токенов — дорого и неэффективно. Проблема в том, что даже если задан max_seq_len=52K, в реальности большинство батчей не доходит до этой длины (clip_ratio < 10%).

Решение Polaris — использовать инференсное масштабирование, сохранив тренировку на коротких примерах.

Yarn: позиционная экстраполяция RoPE

Для этого используется Yarn, схема масштабирования Rotary Position Embeddings:

"rope_scaling": {   "attn_factor": 1.0,   "factor": 1.5,   "rope_type": "yarn" }

Yarn позволяет на inference использовать длины, в полтора раза превышающие обучающие, без потери точности.

Результаты тестов на задачах AIME:

Длины >32K:

• Без Yarn: точность падает до 26%

• С Yarn: растёт до 50%+

Фактически, это позволяет применять «train-short, test-long» стратегию без переобучения.

Устойчивость RL: как Polaris справляется с нулевым градиентом

Обучение моделей рассуждения через Reinforcement Learning, особенно с маленьким размером rollout-батча (n=8), сталкивается с одной системной проблемой: разреженность наград. В задачах на математическое мышление, CoT, логический вывод — неудачи случаются часто. И бывает, что на один и тот же prompt модель 8 раз подряд выдаёт неверный ответ. Результат: batch без положительных примеров → нулевой градиент → потерянный шаг обучения.

В традиционном GRPO или PPO это приводит к стагнации: модель не получает сигнала, не знает, куда двигаться. А повторное прогоняние тех же промптов — дорого и неэффективно.

В Polaris были предложены два простых, но мощных способа преодоления этого «эффекта пустого батча».

Rollout Rescue Buffer: мягкое введение памяти в RL

Каждая задача в обучающем корпусе в Polaris имеет ассоциированный буфер успешного ответа. Это кэш, где сохраняется последний известный корректный вывод для данного prompt’а, полученный на любом этапе обучения.

Сценарий работы:

1. Модель генерирует 8 rollout’ов для задачи X.

2. Все они оказываются неуспешными (accuracy == 0/8).

3. Если для задачи X в прошлом был успешный rollout — он берётся из буфера.

4. Один из 8 текущих провальных rollout’ов заменяется этим буферным.

Замена делается не полностью — только один из 8 rollout’ов. Это не нарушает статистику RL, потому что reward всё равно применяется выборочно.

Результат: батч всегда содержит хотя бы один сигнал обучения, и модель получает ненулевой градиент, даже если «сегодня ей не идёт».

Intra-Batch Informative Substitution:

Второй механизм работает внутри текущего батча — без использования внешней памяти. Если часть задач оказалась «информативной» (т.е. среди 8 rollout’ов есть как минимум один успешный), а другая часть полностью провалена, Polaris делает следующее:

1. Находит «информативные» примеры — задачи с mix из 0 и 1 reward.

2. Эти примеры дублируются и подставляются на место «мертвых» задач (0/8).

3. Таким образом, весь батч наполняется примерами, от которых можно получить полезный градиент.

Оба механизма — Rollout Rescue и Intra-Batch Substitution — решают проблему reward sparsity при небольших batch-size. Замены работают только в рамках already validated outputs, reward-функция остаётся бинарной, и никакой генерации «из будущего» не происходит.

Эффект в обучении:

• Значительно меньше «мёртвых шагов»

• Устойчивый рост reward на каждой итерации

• Повышение sample efficiency RL

Отказ от KL и Entropy

Вместе с мерами по устойчивости, в Polaris отказались от двух популярных, но проблемных компонентов в RLHF:

Почему был убран KL

KL-дивергенция между текущей политикой и SFT-моделью используется во многих RLHF-реализациях (включая PPO) для стабилизации. Но в задачах reasoning это становится тормозом: модель ограничена рамками SFT-поведения и не может исследовать новые стратегии рассуждения.

В Polaris KL полностью убран, чтобы модель могла отклоняться от SFT и формировать новые логические цепочки — особенно если они нестандартные, но правильные.

Почему был убран Entropy loss

Идея поощрять энтропию в output’ах на практике оборачивается нестабильностью:

• На поздних этапах RL энтропия может расти хаотично

• Это ведёт к коллапсу: модель начинает выдавать случайные токены

В Polaris отказались от энтропийного поощрения, сосредоточившись на чистом outcome-based reward.

Вместо всего этого используется surrogate loss с upper clipping bound, аналогичный DAPO.

Результаты и сравнение

Чтобы оценить эффективность моделей Polaris, авторы провели серию тестов на популярных математических бенчмарках, включая AIME24, AIME25, Minerva Math, Olympiad Bench и AMC23. Все тесты проводились по строгим, воспроизводимым условиям: по 32 прогонки для каждой задачи (или 4/8 — где указано), с едиными sampling-параметрами.

Все модели запускались в следующих условиях, кроме Qwen3, где применялись более консервативные значения по умолчанию:

sampling_params = SamplingParams(     temperature=1.4,     top_p=1.0,     top_k=20,     max_tokens=90000  # ~90K токенов: для CoT максимальная длина критична )

Polaris-4B не просто обгоняет другие модели «в среднем» — он делает это на высоких температурах и длинных ответах, где большинство baseline начинают деградировать.

Базовый тест включал задачи вроде:

Every morning Aya goes for a 9-kilometer-long walk…
Suppose Aya walks at s + 1/2 kilometers per hour.
Find the number of minutes the walk takes her, including t…

Такие задачи требуют цепочек логических рассуждений, рассуждения на уровне алгебры, дробей, времени, скорости — типичная задача CoT, где без грамотного вывода на десятки токенов ответ невозможен.

Результаты по всем бенчмаркам

Polaris-4B обходит всех в своём классе

Модель с 4B параметрами показывает лучшую точность по всем задачам, включая:

• AIME25: 79.4% (против 65.6% у Qwen3-4B)

• Minerva Math: 44.0% (на уровне Qwen3-32B)

• Olympiad Bench: 69.1% — абсолютный рекорд

• AMC23: 94.8% — результат, ранее достижимый только у 32B моделей

Это выдающийся результат, особенно учитывая, что речь идёт о модели, которую можно развернуть на одном потребительском GPU (24–48 GB VRAM).

Polaris-4B почти догоняет Qwen3-32B, но весит в 8 раз меньше

При меньшем количестве параметров Polaris-4B даёт:

• На AIME25 — более высокий результат, чем Qwen3-32B

• На Minerva и Olympiad — почти идентичные цифры

Это показывает, что подход Polaris к выбору задач, управлению сложностью и длиной вывода даёт непараметрическое преимущество: модель использует свои возможности более эффективно.

Polaris-7B опережает всех конкурентов на 7B

Хотя разрыв между Polaris-7B и Qwen3-32B ожидаемо велик, в своей весовой категории модель обходит все аналоги, включая:

• Deepseek-7B (на 13% ниже на AIME24)

• Skywork и AReal-boba — тоже уступают по всем показателям

Длинный вывод — ключевой фактор

Если ограничить max_tokens стандартным 4096 или 8192, Polaris теряет большую часть своего преимущества. Именно за счёт генерации длинных, разветвлённых цепочек рассуждений (до 90K токенов) модель проявляет свою силу.

Отсюда практический вывод: если вы тестируете reasoning-модель, ограничивая длину вывода — вы не тестируете её вовсе.

Чему можно научиться у Polaris

1. Сложность данных — не метрика, а инструмент. Сбалансированное распределение критично для эффективности RL.

2. Sampling temperature — управляемая ось обучения, не просто фиксированная гиперпараметрическая настройка.

3. Inference-time RoPE scaling даёт прирост без затрат на переобучение.

4. Небольшие инженерные хаки (buffer, swap) радикально улучшают стабильность RL.

5. Не все loss-функции полезны. Иногда лучше убрать регуляризаторы, чем на них полагаться.

Ссылки

• Polaris-4B-Preview на Hugging Face — финальная модель, доступная с inference API.

• Исходный код обучения Polaris на GitHub — включает рецепты и пайплайн.

• Блог-пост HKU NLP — оригинальный отчёт команды.

---

Если вам интересны современные достижения в области искусственного интеллекта и нейросетей, приглашаем вас посетить два предстоящих открытых урока, которые помогут лучше понять, как работают передовые модели и их практическое применение.

• Первый урок — «Генерация изображений нейросетями: как работают современные модели?» — пройдет 16 июля в 20:00. Здесь вы узнаете о современных архитектурах нейросетей и принципах генерации изображений.

• Второй урок — «Искусственный интеллект для службы поддержки пользователей» — состоится 21 августа в 20:00. В рамках этого урока вы узнаете, как применять ИИ для автоматизации и улучшения работы с клиентами.

Чтобы ознакомиться с полным списком курсов и выбрать подходящую программу по Data Science и машинному обучению, заходите в каталог. А чтобы не пропустить новые открытые уроки, следите за обновлениями в календаре открытых мероприятий.