💡 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。

rStar2-Agent的主要功能

• 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。

rStar2-Agent的技术原理

• 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的项目地址

• GitHub仓库：https://github.com/microsoft/rStar
• arXiv技术论文：https://www.arxiv.org/pdf/2508.20722

rStar2-Agent的应用场景

• 教育领域：为学生提供个性化学习辅导，助力学业提升，同时快速评判作业和考试，提升教学效率。
• 科研领域：协助分析复杂数据，同时构建和优化科学模型，为科研决策提供有力支持。
• 金融领域：精准预测股票走势，为投资者提供科学的投资建议，同时实时监测交易数据，有效防范金融欺诈风险。
• 工程领域：rStar2-Agent优化工程设计方案，确保项目高质量完成，同时实时诊断系统故障，提高工程效率。
• 日常生活：作为智能助手，提供个性化服务，根据用户健康数据，制定科学的健康管理方案。