微软rStar2-Agent以少量RL步骤提升14B模型至SOTA，超越DeepSeek-R1。

微软推出 rStar2-Agent

代理推理技术报告

rStar2-Agent 仅用一周时间、510 步 RL 训练，将预训练的 14B 模型提升至最先进水平，在 AIME24 上平均 pass@1 得分 80.6%，在 AIME25 上 69.8%，以显著更短的回复超越 DeepSeek-R1（671B）。