Alibaba Qwen представила QwenGyre — эластичное RL для сверхдлинных агентных задач

Команда Qwen из Alibaba представила QwenGyre — онлайн-фреймворк обучения с подкреплением для агентов с горизонтом в часы и до ~1 млн токенов на прогон. На модели Qwen 3.8 2.4T он ускорил обучение до 1,85 раза относительно Colocate, а NL2RepoBench вырос с 52,5% до 58,5% за 48 шагов.

• Ускорение до 1,85x против Colocate и 1,78x против Async при равных результатах
• На Qwen 3.8 2.4T: 48 шагов за 75,42 ч против 91,47 ч у Colocate
• NL2RepoBench вырос с 52,48% до 58,54% за 48 шагов
• Лимит в 5 траекторий на прогон сократил время forward-backward на 25,2%