阿里千问正式推出了一款名为QwenGyre的在线强化学习框架,专为长程智能体任务设计。该框架针对智能体在复杂环境中需要持续执行数小时、进行数百轮交互并处理百万级Token的挑战,通过其强大的弹性调度和轨迹处理能力,将复杂的长程任务转化为有效的训练数据,从而同时提升了智能体的能力和训练效率。
QwenGyre能够将GPU资源划分为多个独立的计算单元,采用“任务完成一批、空出单元即刻转入训练”的流水式调度逻辑。这意味着未完成的长程任务将不会被中断,其执行进度、状态和计算缓存都会被完整保留,无需重新运行。新释放的计算单元可以立即接入当前的训练流程,算力资源会根据需要进行动态分配,最终由核心单元汇总完成参数更新,从而实现长程智能体任务执行与强化学习训练的高效并行。
QwenGyre通过Token-in Token-out机制详细记录了每段模型输出生成时的真实上下文,并根据共享前缀将交互轨迹组织成轨迹树,仅将目标选中的有效路径展开为训练样本。同时,该框架支持通过Partial Scoring对超时但已完成部分执行的任务生成有效反馈,避免在长程智能体执行过程中产生的中间交互数据被浪费。
在跑分测试中,阿里千问官方在NL2RepoBench在线强化学习实验中,使用单轮约70万token的长程任务进行训练,48步训练后模型通过率从52.5%提升至58.5%。在相同的GPU预算下,QwenGyre相比Async实现了1.78倍的端到端加速,训练效果与Async、Colocate方案持平。在Qwen3.6-122B上的跨任务验证中,NL2RepoBench、DeepSWE、TerminalBench三类长程智能体任务均实现了端到端提速。






