阿里千问正式推出了专长于长程智能体任务的在线强化学习框架QwenGyre。该框架针对智能体在复杂工作环境下需要连续执行数小时、进行数百轮环境交互以及处理数百万级Token的训练挑战,凭借其灵活的调度机制和轨迹处理能力,将长时间的任务转化为高效的训练资源,从而实现智能体性能与训练效率的双重优化。
QwenGyre能够将GPU资源划分为多个独立的计算单元,并采用“任务完成一批、空出单元即刻转入训练”的流水线调度策略:未完成的长程任务将持续进行,不会受到任何干扰,其原有的执行进度、状态和计算缓存都将被完整保留,无需重新运行;新释放的计算单元可以立即融入当前的训练流程,算力资源根据需求进行动态分配,最终由核心单元完成参数更新,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处理。
通过Token-in Token-out机制,QwenGyre能够详细记录每个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,该框架还支持通过Partial Scoring对超时但已完成部分执行的任务生成有效反馈,从而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。
在性能测试方面,阿里千问在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,经过48步训练后,模型的通过率从52.5%提升至58.5%。在相同的GPU预算下,QwenGyre相较于Async实现了1.78倍的端到端加速,训练效果与Async、Colocate方案相当;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的提速。






