仅靠5000+样本，全新强化学习范式让30B轻松击败671B的DeepSeek V3

传统强化学习（RL）在有标准答案的指令遵循任务（如数学、代码）上已趋成熟，但在开放式的创意写作领域却因缺乏客观对错而举步维 艰。如何让 RL 突破「可验证奖励」的边界？蚂蚁技术研究院联合浙江大学开源全新强化学习范式 Rubicon，通过构建业界最大规模的 10,000+ 条「评分标尺」，成功将强化学习的应用范围拓展至更广阔的主观任务领域。用 5000 样本即超越 671B 模型，让 AI 告别「机械 味」。 自 OpenAI o1 系列模型问世以来，基于「 可验证奖励 」的强化学习（RLVR）已成为提升大模型推理能力的主流。通过海量的数学题、代码题进行训练，AI 在客 观对错分明的领域取得了巨大成功。 然而，这也暴露了当前技术路线的瓶颈：当面对没有标准答案的开放性、主观性任务时，AI 怎么办？ 如何让 AI 写出情感充沛的文字，而不是「AI 味」十足的模板？如何让它进行有深度的创意构思，而不是简单的信息罗列？这正是当前 AI 迈向更高层次智能需要 破解的「 灵魂难题 」。 基于此，蚂蚁技术研究院联合浙江大学，正式开源其最新研究成果 ——Rubicon-preview 模型，并推出一套名为 「 基于评分标尺的强 ...