Alibaba Qwen opublikowała QwenGyre, framework uczenia ze wzmacnianiem zaprojektowany specjalnie dla agentów działających przez ultra-długie sekwencje - zadania trwające godziny i obejmujące setki interakcji modelu oraz narzędzi. Testy przeprowadzono na modelach Qwen 3.6 122B i Qwen 3.8 2.4T, przy czym każde uruchomienie przetwarzało około 700 tysięcy tokenów na klastrach wielowęzłowych liczących od 24 do 192 GPU.
Jądrem innowacji QwenGyre są dwa kluczowe mechanizmy. Po pierwsze, system elastycznie przydzielża bezczynne GPU między fazę generowania rolloutów (gdzie agent eksploruje rozwiązania) a fazę treningu modelu. Po drugie, konwertuje rozgałęzione historie agentów - sytuacje gdzie agent podejmuje różne decyzje - w ograniczone próbki treningowe. To pozwala na efektywne wykorzystanie całej dostępnej mocy obliczeniowej i uczenie się na większej różnorodności trajektorii.
Wyniki pokazują przyspieszenie od 1,38x do 1,85x razy w porównaniu do standardowych podejść asynchronicznych i kolokalizowanych. Najbardziej imponujące rezultaty osiągnęto na TerminalBench z przyspieszeniem 1,85x. Na testach funkcjonalności model poprawiła się z 52,5% do 58,5% poprawności na NL2RepoBench w ciągu 48 kroków uczenia. Jednak zespół nie udostępnił jeszcze kodu, co ogranicza możliwość reproduced wyników przez badaczy.