2026 年 10 月 13 日——阿里千问于 10 月 12 日发布面向超长程智能体任务的在线强化学习框架 QwenGyre：在旗舰模型 Qwen3.8-2.4T、单次 rollout 约 70 万 token 的 NL2RepoBench 实验中，48 步训练将模型通过率从 52.48% 提升至 58.54%，相同 GPU 预算下训练耗时从 134.55 小时降至 75.42 小时，实现 1.78 倍端到端加速。

QwenGyre 的技术报告以论文形式发布于 arXiv（编号 2609.33848，2026 年 9 月 27 日提交）。据论文定义，超长程（xLong-Horizon）任务指单次执行持续数小时、模型与环境进行数百轮相互依赖的交互、单条 rollout 累计处理近百万 token 的智能体任务，典型场景是从需求规格生成完整代码仓库。论文指出，此类任务给在线强化学习带来两大瓶颈：一是执行时长方差大、rollout 收尾慢，造成 GPU 大量空转；二是复杂的非线性分支交互产生大量冗余轨迹，拖累训练效率。

弹性调度器：空出的 GPU 单元动态转入训练，不打断运行中任务

据千问官方介绍，QwenGyre 将 GPU 集群划分为多个计算单元：每结束一批任务，空出的计算单元立即转入训练阶段，无需等待全部任务收尾；仍在运行的任务不受打扰，进度与状态原地保留，此前已计算的缓存整体迁移，不必重头再来。新空出的单元直接加入本轮训练，由核心单元汇总结果、完成一次参数更新。论文数据显示，计算单元从推理切换到训练平均耗时 8.52 秒，从训练切回推理平均 3.46 秒。

轨迹处理器：分支轨迹去重，部分完成的任务也计入训练

在轨迹处理上，QwenGyre 通过 Token-in Token-out 方式记录每段输出生成时的真实上下文，按共享前缀组织成轨迹树，仅将被选中的路径展开为训练样本，去除分支冗余带来的重复计算。对于超时但部分完成的任务，框架通过 Partial Scoring 机制按保留的工作区打分，使未跑完的执行也能提供有效反馈，避免浪费已完成的计算步骤。

实验数据：48 步训练通过率提升 6 个百分点，训练耗时缩短 44%

据千问官方消息，在 NL2RepoBench 在线强化学习实验中，团队以每次 rollout 约 70 万 token 的任务对 Qwen3.8-2.4T 开展训练：经过 48 步训练，模型通过率从 52.48% 提升至 58.54%；在相同 GPU 预算下，训练总耗时较 Async 实现缩短约 44%，从 134.55 小时降至 75.42 小时，实现 1.78 倍端到端加速。论文摘要给出的整体口径为：相对 Colocate 方案最高提速 1.85 倍，相对 Async 方案最高提速 1.78 倍。

跨任务验证方面，据 IT 之家报道，在 Qwen3.6-122B 模型上，NL2RepoBench、DeepSWE、TerminalBench 三类编码任务均获得端到端提速，训练分数与 Async、Colocate 方案接近。

项目 数据
发布方 阿里千问
发布日期 2026 年 10 月 12 日
定位 面向超长程智能体任务的在线强化学习框架
技术报告 arXiv:2609.33848（2026 年 9 月 27 日提交）
实验模型 Qwen3.8-2.4T、Qwen3.6-122B
单次 rollout 规模 约 70 万 token（Qwen3.8-2.4T 实验）
NL2RepoBench 通过率 52.48% 提升至 58.54%（48 步训练）
训练耗时（48 步） 75.42 小时（QwenGyre）
对比方案耗时 Async 134.55 小时、Colocate 91.47 小时
端到端加速 最高 1.85 倍（对比 Colocate）、1.78 倍（对比 Async）
推理与训练切换耗时 平均 8.52 秒（转训练）、3.46 秒（转推理）
跨任务验证 NL2RepoBench、DeepSWE、TerminalBench
代码状态 截至发稿未公开

截至发稿，千问团队公开的是论文与技术说明，代码仓库与开源许可证尚未公布，本文性能数据均为官方论文自测口径，涉及媒体转述处已单独标注来源。