14B打败671B！微软rStar2-Agent在数学推理上超过DeepSeek-R1
微软研究院提出rStar2-Agent，通过主动式强化学习显著提升LLM推理能力。该方法训练出14B参数模型rStar2-Agent-14B，在数学推理等任务中表现优于671B的DeepSeek-R1。研究使用Python编程工具作为交互环境，应对环境噪声、训练效率和基础设施三大挑战。三大创新包括高效基础设施（支持45K并发调用，反馈延迟0.3秒）、GRPO-RoC策略（提升训练稳定性）及高效训练流程（仅需510步即达前沿水平）。模型在AIME24上准确率达80.6%，并在多个科学与通用推理任务中展现优异泛化能力，推动LLM向更智能推理方向发展。来源：https://mp.weixin.qq.com/s/8yB2MJ3Q9CD8maQjiiLk9g
页:
[1]