💡 站外导读：在人工智能追求更大参数规模的浪潮中，一个核心矛盾日益凸显：如何用更少的算力成本，实现更强的推理能力？微软开源的rStar2-Agent给出了一个震撼行业的答案。这款仅140亿参数的模型，在权威数学推理基准测试中，竟击败了参数量为其数十倍的顶尖模型。这不仅是技术的突破，更预示着AI模型的发展可能从“参数竞赛”转向“效率革命”。对于关注AI落地与商业化的开发者和企业而言，如何平衡性能、成本与泛化能力，是当前最迫切的痛点之一。
rStar2-Agent是微软开源的仅140亿参数的数学推理模型。模型用智能体强化学习方法训练，在AIME24数学推理测试中准确率高达80.6%，超越6710亿参数的DeepSeek-R1。模型数学推理出色，在科学推理、智能体工具使用等任务中展现强大泛化能力。模型通过高效训练基础设施、创新算法及独特训练流程三大技术突破，实现高性能与低算力成本，为AI推理领域带来新思路。
高效数学推理：在AIME24等数学推理测试中，以140亿参数达到80.6%的高准确率，超越参数量大得多的模型，能快速准确解决复杂数学问题。
科学推理能力：在GPQA-Diamond科学推理基准测试中，准确率达60.9%，展现出对科学知识的理解和推理能力，支持应用在科学问题解答。
智能工具调用：根据问题需求自动调用合适工具，如代码执行工具，提升问题解决效率。
泛化能力强：在特定领域表现出色，支持将推理能力泛化到其他多种任务和领域，具有广泛的应用潜力。
智能体强化学习：模型与特定工具环境交互，根据环境反馈调整推理过程，通过奖励机制引导模型学习更优的推理策略，实现高效学习和推理能力提升。
高效训练基础设施：用隔离式高吞吐代码执行服务，基于64台AMD MI300X GPU的分布式架构，实现高并发工具调用和快速执行，保障训练过程高效稳定。
GRPO-RoC算法：融合Resample-on-Correct滚出策略，优化工具使用，通过不对称采样机制筛选高质量轨迹，降低错误率，使模型推理更准确高效。
多阶段强化学习训练流程：先进行非推理微调培养基础能力，再分阶段强化学习逐步提升推理能力，用64台GPU一周内完成训练，达到性能峰值，大幅降低成本。
rStar2-Agent的发布，绝非又一个开源模型的简单迭代，它清晰地标定了一条新的技术范式。其核心启示在于，通过‘智能体强化学习’将模型与工具环境深度耦合，让推理过程‘活’起来，这比单纯堆叠文本数据更具效能。结合高效的分布式训练架构与创新的GRPO-RoC算法，它证明了在固定算力预算下，通过更聪明的训练方法可以榨取出远超预期的性能。这直接挑战了‘更大即更好’的行业惯性思维。对于从业者，这意味着未来的竞争焦点将更多转向算法创新、训练流程优化和垂直场景的智能体应用设计。微软此举，不仅开源了一个模型，更开源了一套关于‘高效智能’的实现方法论，必将加速推动AI推理技术从实验室走向复杂的真实世界任务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。