Qwen выпустила RL-фреймворк QwenGyre для агентов

Команда Qwen представила QwenGyre — фреймворк обучения с подкреплением (RL) для тренировки ИИ-агентов на сверхдлинных и сложных задачах. Об этом сообщило сообщество LocalLLaMA на Reddit. В аннотации релиза упоминается концепция «эластичного RL» для так называемого extreme-long-horizon (XLong) сценария.

Под XLong понимаются задачи, где агенту требуется длинная цепочка действий и решений, а не один короткий ответ. Обычные методы RL плохо масштабируются на такие горизонты: растёт число шагов, накапливается ошибка, а сигнал вознаграждения становится разреженным. QwenGyre, судя по описанию, призван решить именно эту проблему за счёт «эластичного» подхода к обучению.

Qwen — линейка открытых моделей и исследовательское направление Alibaba. Выпуск собственного RL-фреймворка означает, что команда двигается от单纯 выпуска весов к инструментам посттренировки агентов. Это важный сигнал для рынка: конкуренция смещается в сторону инфраструктуры обучения, а не только самих моделей.

Для разработчиков такие фреймворки снижают порог входа в обучение агентов на многошаговых задачах — от работы с кодом и инструментами до длительных сценариев планирования. Если QwenGyre окажется открытым и воспроизводимым, он может стать базой для локальных экспериментов на собственном железе.

Детали релиза — лицензия, поддерживаемые модели, бенчмарки и требования к вычислениям — в доступном тексте не раскрыты. Без них сложно оценить, насколько заявленный «эластичный RL» отличается от существующих подходов вроде PPO и GRPO. Стоит дождаться технического отчёта и примеров воспроизведения от сообщества.