A QwenGyre keretrendszerrel gyorsabb a hosszú feladatú AI-ügynökök tanítása

Az Alibaba kiadta a QwenGyre elnevezésű keretrendszert, amely az úgynevezett rugalmas megerősítéses tanulást (elastic RL) hozza el az extrém hosszú folyamatokat kezelő AI-ügynökök képzésébe. A rendszer dinamikusan osztja meg az erőforrásokat a modellfuttatás és a tanítás között, így a futó feladatok megszakítása nélkül akár 1,85-szörös sebességnövekedést ér el.

A keretrendszer speciális adatfeldolgozója a megszakadt vagy elágazó folyamatokat is elágazó fává alakítja, így a részleges eredmények alapján is képes pontozni és tanítani a modellt. A Qwen3.8-2.4T-A95B modellen végzett tesztek során a rendszer 52,5 százalékról 58,5 százalékra növelte a kódgenerálási hatékonyságot a benchmarkon, miközben 44 százalékkal csökkentette a teljes képzési időt.

A fejlesztésről szóló tudományos tanulmány már elérhető az arXiv felületén.