阿里 Qwen 推出 QwenGyre：面向超长时程智能体的弹性强化学习框架
阿里 Qwen 团队发布 QwenGyre，一个面向超长时程智能体训练的弹性强化学习框架，通过调度器在 rollout 与训练之间动态切换 GPU，并借助轨迹树压缩训练样本。据报在 Qwen 3.8 2.4T 模型上，NL2RepoBench 通过率由 52.5% 升至 58.5%。
核心事实
阿里巴巴 Qwen 团队发布了 QwenGyre，一个面向超长时程（XLong-horizon）智能体训练的弹性强化学习框架。据 MarkTechPost 报道，该框架是一个在线强化学习系统，通过未经修改的黑盒 harness 训练编码智能体，面向可持续数小时、处理接近 100 万 token 的 rollout。QwenGyre 被用于 Qwen 的旗舰模型 Qwen 3.8 2.4T，并在 Qwen 3.6 122B 上做过测试。
其设计围绕两点：一是把空闲 GPU 在 rollout 与训练之间调度；二是把分支化的智能体历史转化为有界的训练样本。调度器按「rollout 水位」判断切换时机，模型调用经代理转发，KV-cache 块在重路由时通过 RDMA 迁移。轨迹处理器以 token-in、token-out 方式记录 token ID 与行为对数概率，将调用存为前缀共享的轨迹树，每次执行最多保留 5 条轨迹。
背景与影响
该团队将超长时程任务定义为跨越数小时、包含数百次模型与工具交互的智能体运行，例如按规格生成完整代码仓库。此类场景下 rollout 存在长尾，训练常需等待最慢的执行；同时 Claude Code 一类 harness 会压缩上下文、派生子智能体并重试，使单次执行变成分支树，展开全部路径会重复共享前缀、抬高训练成本。
据该报道，在相同 GPU 预算与匹配陈旧度下，QwenGyre 相对 Async 提速 1.38 倍至 1.78 倍，相对 Colocate 提速 1.21 倍至 1.85 倍。在 Qwen 3.8 2.4T 上完成 48 步耗时 75.42 小时，Async 为 134.55 小时，Colocate 为 91.47 小时；NL2RepoBench 通过率由 52.48% 升至 58.54%。
限制与来源
上述数字均来自项目方自身实验设置，不同框架的提速幅度不可直接横向比较。报道称该论文未披露公开代码发布或许可证信息，GPU 型号亦未披露；122B 运行使用 24 至 32 个节点，2.4T 运行使用 192 个节点。相关结论尚未获独立验证，具体可用性与后续更新请以 Qwen 官方渠道当前信息为准。本文信息源自 MarkTechPost 的报道。