我们提出了一种新颖的奖励建模视角，将其表述为一种策略区分器，该区分器量化了两个策略之间的差异以生成奖励信号，引导训练策略向具有期望行为的目标策略靠拢。基于这一概念性洞察，我们提出了一种可扩展的预训练方法——策略区分学习（Policy Discriminative Learning, POLAR），该方法训练一个奖励模型（RM）来识别相同的策略并区分不同的策略。与依赖绝对偏好的传统奖励建模方法不同，POLAR捕捉了一个策略与任意目标策略之间的相对差异，这是一种适合建模通用排序关系的可扩展、高层次优化目标。利用POLAR预训练范式，我们展示了一系列参数规模从1.8亿到7亿的RM。实证结果表明，POLAR显著优于传统的非预训练方法，大幅提升了RM的性能。例如，在STEM任务中，POLAR-7B将偏好准确性从54.8%提高到了81.0%，在创意写作任务中则从57.9%提高到了85.5%，相比现有最佳基线（SOTA baselines）均有显著提升。此外，在使用强化微调（Reinforcement Fine-tuning, RFT）进行强化学习人类反馈（RLHF）时，POLAR展示了强大的泛化能力，提供了可靠的奖励信号，并显著增强了策略性能——在20个基准测试中，将LLaMa3.1-8B的平均表现从47.36%提升至56.33%，Qwen2.5-32B的表现则从64.49%提升至70.47%。此外，扩展实验揭示了计算量与性能之间存在明显的幂律关系，线性相关系数接近0.99。这些令人印象深刻的表现、强大的泛化能力和良好的扩展特性表明，POLAR是开发通用且强大的奖励模型的一个有前景的方向。