™阿里 Qwen 发布 QwenGyre：面向超长时程智能体的弹性强化学习框架
据 MarkTechPost 10 月 12 日报道，阿里 Qwen 团队推出 QwenGyre——面向超长时程（xLong）智能体任务的在线强化学习框架，可把一次持续数小时、约 70 万 token 的 rollout 高效转化为训练。
发生了什么
阿里 Token Hub Qwen 团队（联合中科大、清华）发表论文《QwenGyre: An Elastic Reinforcement Learning Framework for Training xLong-Horizon Agents》（arXiv 2609.33848），提出面向超长时程智能体任务的端到端在线强化学习框架。
框架针对两个挑战设计：弹性调度器（elastic scheduler）按未完成的 rollout 工作量，在 rollout 与训练之间动态调配 GPU，不打断正在运行的执行；轨迹处理器（trajectory processor）把一次执行的分支历史整理成共享前缀的轨迹树，对超时任务的局部成果评分，并限制每个执行最多保留 5 条轨迹以控制训练成本。
在旗舰模型 Qwen 3.8 2.4T 上训练 48 步后，NL2RepoBench 通过率从 52.5% 升至 58.5%；论文报告在各类负载上相对 Colocate 最高 1.85 倍、相对 Async 最高 1.78 倍的端到端加速。实验使用 Claude Code 2.1.220 作为 harness；论文未公开代码仓库（据 MarkTechPost）。
关键事实
- 论文：arXiv 2609.33848，作者来自阿里 Token Hub、中科大、清华
- 针对的任务：单次执行持续数小时、数百次模型-环境交互、单次 rollout 约 70 万 token 的超长时程智能体任务
- 两大机制：弹性调度器动态调配 rollout 与训练的 GPU；轨迹处理器把分支执行历史整理成有界训练样本（每个执行最多 5 条轨迹）
- 效果：Qwen 3.8 2.4T 上 NL2RepoBench 48 步从 52.5% 升至 58.5%；相对 Colocate 最高 1.85 倍、相对 Async 最高 1.78 倍加速
- 代码：论文未公开代码仓库（据 MarkTechPost）
为什么重要
Qwen 提出面向超长时程智能体的弹性强化学习框架：论文称在旗舰模型上端到端训练加速最高 1.85 倍，48 步后 NL2RepoBench 提升 6 个百分点。
相关公司阿里巴巴