微软研究院开源了一款AI Agent推理模型rStar2-Agent。该模型使用了创新的智能体强化学习方法，只有140亿参数，但在AIME24数学推理测试中达到了80.6%准确率，超过了拥有6710亿参数的DeepSeek-R1的79.8%。而二者的参数体量却相差了将近48倍。除了在数学推理任务中的出色表现，rStar2-Agent在其他领域展现了强大的泛化能力。例如，在GPQA-Diamond科学推理基准测试中，其准确率达到了60.9%，也超过了DeepSeek-V3的59.1%；在BFCL v3智能体工具使用任务中，其任务完成率达到了60.8%，超过了V3的57.6%，在智能体工具调用方面更出色。

开源地址：https://github.com/microsoft/rStar

OpenAI的O系列、DeepSeek-R1、V3等领先模型，通过延长推理链，就是让大模型思考时间更长大幅提升了性能。但这种方法在面对一些难题时存在局限性，因为容易在中间步骤出现细微错误，或者需要创造性地转变推理方向。在这种情况下，模型依赖于内部自我反思来检测和纠正错误往往效果不佳。为了解决该难题，微软决定转向智能体强化学习并实现三大技术突破。在这种学习范式下，模型与特定的工具环境进行交互，并根据从环境中获得的反馈来调整推理过程。选择合适的工具和环境至关重要，一个有效的环境必须能够部署，并且提供准确、可验证的信号，引导模型走向更强的推理路径。

训练基础突破
首先是在训练基础设施方面实现了重大突破。智能体强化学习需要高效的工具环境，可传统的本地Python解释器在面对大规模训练时问题重重。例如，模型训练就像是一个繁忙的工厂，需要大量的原材料（代码执行请求）供应。以往的本地Python解释器就如同一个低效的仓库管理员，面对工厂瞬间涌入的数万份原材料需求，不仅处理速度慢，还可能因为各种问题，让整个工厂陷入混乱，甚至威胁到整个生产系统的安全。

微软打造的全新基础设施则截然不同。其中的隔离式高吞吐代码执行服务，就像是一个超级高效的大型物流中心。它部署在由64台AMDMI300XGPU组成的强大硬件基地上，采用“主节点-工作节点”的分布式架构。

主节点如同物流中心的总调度室，有集中式任务队列和32个发送工作器，负责接收来自工厂的原材料需求，然后将最多64个工具调用打包成一个批次，快速分配任务，就像调度室快速安排货物配送路线一样，利用超时机制保证配送效率。而工作节点就像是一个个忙碌的仓库区域，每个工作节点上运行着轻量级任务调度器与1024个执行工作器，它们能迅速将任务分配到空闲的执行单元，实现负载均衡，就如同仓库工作人员迅速将货物搬运到空闲的存储区域。

实验数据显示，这个物流中心非常强大，能稳定支撑每训练步骤4.5万次并发工具调用，平均执行延迟仅0.3秒，而且通过巧妙的隔离设计，完全避免了代码执行干扰主训练流程，保障了工厂的稳定生产。还有动态负载均衡滚出调度器，它的出现解决了传统调度方式的一大难题。传统的静态分配方式，就像是不管每个仓库区域（GPU）的实际存储能力，都平均分配货物，这样会导致大量仓库空间闲置。

而动态负载均衡滚出调度器，就像是一个智能的仓库空间管理员，它会实时监控每个GPU的KV缓存剩余容量，根据这个来动态分配任务。当有新的任务进来时，它会估算每个仓库区域能安全存放的最大货物量，然后异步分发工具调用，就像及时将货物送到合适的仓库区域。

当某个GPU完成当前任务释放缓存后，它又能马上分配新任务，让仓库的空间利用率大大提高。经过测试，它将GPU空闲时间降低了60%以上，单批次滚出效率提升了45%，大大缩短了整个生产周期。

算法突破
在智能体强化学习中，环境噪声就像学习过程中的“捣乱分子”。例如，老师在教学生做数学题，给了学生一个不太靠谱的计算器。学生不仅要努力解题，还要应对这个捣乱的计算器给出的错误反馈，这就导致学生花费大量时间去修正计算器的错误，而不是真正推进解题思路。并且传统的基于最终结果的奖励机制，就像只要学生最后答案对了，不管中间用计算器过程多混乱，都给满分，这会让学生养成不好的解题习惯，认为错误的中间过程也没关系。

微软在GRPO算法基础上，提出了融合Resample-on-Correct（RoC）滚出策略的GRPO-RoC算法。GRPO原本是适用于推理任务的强化学习算法，rStar2-Agent对它进行了三项关键调整。移除KL散度惩罚项，就像是给学生松绑，让他们能大胆尝试新的解题方法，不再被旧规则束缚，去探索工具辅助的新推理模式；

采用Clip-Higher策略，提升重要性采样比率上界，这就像鼓励学生多去尝试那些虽然不常见但可能很关键的解题思路，例如，在解题时想到用特殊方法去验证答案；取消熵损失项，防止训练像脱缰的野马一样失控，避免了训练过程中可能出现的混乱情况。RoC采用“过采样-筛选-下采样”的不对称采样机制，就像是对学生的解题过程进行严格筛选。为每个问题生成很多解答尝试，然后进行筛选。对于失败的尝试，就像保留一些错误案例给学生看，让他们知道哪些做法是不对的；

对于成功的尝试，就像老师严格检查学生的解题过程，只保留那些工具调用错误最少、代码简洁、推理清晰的高质量解答。经过这个策略筛选，正奖励轨迹中的工具错误率从15%降至5%以下，同时推理响应长度缩短了30%，让模型的推理过程更加高效、准确。

训练流程突破
最后是训练流程的创新。在大模型强化学习领域，算力成本一直是个大难题，就像建造一座超级大楼，需要耗费巨额资金。很多模型，比如DeepSeek-R1、MiMo等，它们的训练就像建造非常复杂的大楼，需要数千甚至数万步的漫长过程，而且还依赖大规模推理微调预热。rStar2-Agent则另辟蹊径，设计了“非推理微调+多阶段强化学习”的高效训练流程。在非推理微调阶段，它不像传统模型那样一上来就在强化学习前进行大量“推理导向微调”，而是专注于培养模型的三项基础能力，就像教孩子先学会走路、说话和基本的生活技能。它采用Tulu3数据集的3万条指令示例，教模型学会听从指令，就像教孩子听老师的话；

整合16.5万条函数调用数据，将工具调用格式统一为结构化JSON格式，就像给孩子的玩具都规定好摆放方式；引入LLaMA-Nemontron数据集的2.7万条对话数据，提升模型的对话能力，就像锻炼孩子的交流能力。经过这个阶段微调，模型在MATH-500基准测试中虽然整体得分可能不如基础模型，但工具调用准确率大幅提升，指令遵循达标率也不错，为后续强化学习打下了良好基础。

多阶段强化学习分为三个阶段：第一阶段，在8Ktoken长度限制下，使用4.2万条高质量数学问题训练，这就像给孩子一些难度适中的数学题，让他们在有限的条件下锻炼解题能力。模型在这个阶段建立起“工具辅助推理”的基本模式，在AIME24、AIME25等测试中的准确率显著提升。当第一阶段末期，就像孩子在这个难度关卡基本熟练了，滚出截断率稳定在10%，进入第二阶段，将最大响应长度提升至12K token，给孩子更复杂的题目，进一步释放模型的复杂推理能力，相关测试准确率继续上升。

第三阶段，从1.73万条高难度问题中进行训练，就像给孩子最难的奥数题，模型在AIME24准确率突破80%，AIME25达69.8%，完成性能登顶。整个训练流程仅用64台MI300XGPU，在1周内完成510步强化学习迭代就达到性能峰值，大大降低了算力成本。