周六凌晨，OpenAI悄然推出了强化微调（Reinforcement Fine-Tuning，简称RFT），核心机制是——用户只需准备数十条自身领域的数据，即可快速训练出一个专属的专家模型。整个流程简洁高效：自定义数据集，配置少量超参数，即可完成。与以往的传统微调不同，该方法无需人工标注数据，而是通过反馈信号（即奖励机制）驱动模型自主学习。这意味着，如今每个人都有可能亲手打造属于自己行业的专家模型了。

这一消息值得深入解读，下面直接给出几个关键判断。

1. 模型参数规模并非越大越好

回想o1-preview发布时，Noam Brown曾留下一个悬念——让大家思考为何o1-mini在某些场景下表现反而优于o1。如今看来，很可能正是强化微调发挥了作用。这释放了一个重要信号：超大参数模型中其实包含大量冗余知识，而专业领域的推理能力，完全不需要如此庞大的参数规模。这并非简单的模型蒸馏问题，而是从根本上挑战了“越大越好”的传统认知。

2. 数据壁垒正在降低，中小企业迎来新机遇

此前业界的主流判断是：在大模型时代，数据壁垒会越来越高，掌握更多数据的企业才能建立护城河。但RFT的使用方式提供了另一种可能——中小企业凭借少量自有数据，结合开源小模型，同样能够获得自己的专家模型。当然，这里有一个关键变量：基座模型本身的可复用性究竟有多强？例如，换成DeepSeek的“o1”类模型，效果差距会很明显吗？目前尚无定论。但可以确定的是，数据的“浓度”可能比“数量”更为关键。各行各业的know-how本身就是高度浓缩的智慧，即便是通过大量经验试错积累而来，只要您拥有差异化的边缘数据，就能构建起竞争优势。每家公司设计的“奖励函数”，必然是其核心竞争力的高度提炼。

3. 从专业场景向更广泛领域延伸的潜力

OpenAI官方强调，RFT在生物化学、安全、法律、医疗等领域表现突出。这些领域的共同特征是——都有明确的规则或可量化的“奖励函数”。这已经比o1刚发布时主攻的数学和代码场景范围扩大了许多。关键在于，奖励函数的获取成本正在持续下降。一个基座模型不可能穷尽所有领域的奖励函数，但可以交由各个行业自行定义。行业自身的know-how，就是最现成的奖励函数。顺着这一逻辑，强化学习的核心是“策略最优”，像自动驾驶、游戏、手机Agent等众多涉及策略优化的场景，天然适合用RFT进行训练。

4. 应用门槛大幅降低，但瓶颈依然存在

过去的问题是：要用一个统一的基座大模型覆盖各领域的专业应用，成本高昂，且泛化性强但精准度不足。在RFT范式下，小模型加上少量专业数据，至少将应用实现成本降到了很低的水平。瓶颈反而变成了另一个问题：您能否找到并定义好自己领域中的那个“奖励函数”？有人可能会质疑：这不就是回到过去“垂直AI”的老路了吗？有两点值得注意：第一，实现成本比上一代垂类AI低得多；第二，模型的推理能力是泛化的，只有领域数据是定制的。这个组合的空间，显然大于之前任何一代AI范式。

5. 对算力卡的要求是否降低？

由于整个过程更接近“微调”，且基座模型可以尽量选择小尺寸，数据集也不大，整体算力需求非常低。这对国产算力卡来说，可能是一个利好消息——不再需要堆砌天价显卡去运行千亿参数模型的推理，许多场景用更小的模型就能解决问题。