阿里 QwenGyre 论文解读：训练长程 Agent 快 1.78 倍，代码还没公开

一句话结论：阿里通义团队 9 月 27 日在 arXiv 发布 QwenGyre 论文，这是一套专门训练「一次要跑几个小时」的 AI Agent 的在线强化学习框架。用在 2.4 万亿参数的 Qwen 3.8 上，48 步训练让 NL 2 RepoBench 得分从 52.5% 升到 58.5%，耗时 75.42 小时，比 Async 方案的 134.55 小时快 1.78 倍。不过截至 2026-10-14，我们没有找到公开的代码仓库，部分报道说的「开源」目前只指论文公开。

AI 摘要

• 发生了什么：阿里 Token Hub 联合中国科大、清华发布 QwenGyre 论文（arXiv 2609.33848，2026-09-27），10 月 12 日至 13 日海外科技媒体集中报道
• 核心变化：把强化学习训练的单位从「几轮对话」拉长到「单次执行数小时、接近 100 万 token」的长程任务
• 影响对象：做 Agent 后训练的模型团队、关注国产模型编程能力的开发者
• 下一步观察：是否发布代码；下一代 Qwen 发布时，NL 2 RepoBench 一类仓库级编程分数能否兑现

基本信息

• 事件时间：论文 2026-09-27 提交 arXiv；媒体报道集中在 2026-10-12 至 10-13
• 涉及公司/产品：阿里巴巴通义（Alibaba Token Hub）、Qwen 3.8 2.4 T、Qwen 3.6 122 B
• 目标栏目：资讯

QwenGyre 是什么，为什么现在值得关注？

QwenGyre 是阿里通义团队提出的端到端在线强化学习框架，用来训练「超长程」（论文写作 xLong-horizon）AI Agent。所谓超长程，是指一次任务执行要持续几个小时、和环境交互数百轮、单条轨迹接近 100 万 token，比如让 Agent 从一段需求描述出发写出整个代码仓库。

它值得关注有两个原因。第一，这是通义少见地公开旗舰模型 Qwen 3.8 2.4 T 的后训练细节，说明国产厂商的竞争重点已经从「模型多大」转向「Agent 能连续干多久的活」。第二，论文的训练方式直接把 Claude Code 这类现成的 Agent 框架当作黑盒，不改写它们的控制流程，这意味着训练环境和用户实际使用的环境是同一套工具。想了解 Qwen 在国产模型里的整体位置，可以参考我们的 2026 国产大模型选型指南。

长程 Agent 的强化学习难在哪里？

QwenGyre 论文把长程 Agent 强化学习的难点归结为两类：GPU 空等和样本重复。

GPU 空等来自执行时长差异太大。在 Qwen 3.6 122 B 的 NL 2 RepoBench 实验中，单次执行平均 1.93 小时，单个问题平均 2.96 小时，9.51% 的问题至少要跑 4 小时；换成 Qwen 3.8 2.4 T 后，至少跑 4 小时的问题占比升到 61.1%。传统的 Colocate 方案要等所有执行结束才能开始训练，GPU 只能干等最后几个慢任务；Async 方案把 GPU 固定分成推理池和训练池，又会出现一边忙、一边闲的情况。

样本重复来自 Agent 的工作方式。上下文快满时，框架会压缩历史；遇到子任务时，会另开子 Agent；失败了会重试。一次执行因此变成一棵有很多分支的树。如果把每条分支都展开成独立样本，公共前缀会被重复训练很多次，训练成本随之翻倍。

弹性调度器怎样减少 GPU 空等？

QwenGyre 的第一个组件是弹性调度器。它把 GPU 划分成若干「弹性单元」，每个单元既可以跑推理（rollout），也可以承载一份完整的训练副本，角色随时可以切换。

调度器持续跟踪还没跑完的执行数量，论文称之为「水位」。水位下降、剩余推理能力足够覆盖未完成任务时，就把多出来的单元转去训练。切换时，正在进行的模型请求会被转发到其他推理引擎，KV 缓存通过 RDMA 迁移过去，Agent 的执行不会被打断。新加入训练的单元会从核心单元拉取参数快照，中途加入当前批次，而不必等下一批。

论文还采用「流式训练」：已经完成的问题先进入训练，不等整批凑齐。在消融实验里，单是流式训练就能把 Async 方案的耗时减少 11.6%，但论文认为固定资源划分才是根本瓶颈，所以要和弹性调度配合使用。

轨迹处理器如何处理分支和重复样本？

第二个组件是轨迹处理器，目标是把一次分支繁多的执行变成数量有上限、不重复的训练样本。

具体做法分三步。第一步，代理层逐条记录模型请求的精确输入、输出 token 和概率，组织成共享前缀的「轨迹树」，每段输出都保留它当时真实看到的上下文。第二步，执行结束后由评估器给整次执行打分；即使超时，已经完成的部分进度也会被评估，不会整条作废。第三步，按角色优先级挑选最多 J_max 条轨迹参与训练：主 Agent 的任务轨迹优先，其次是摘要轨迹，然后才是子 Agent。

为了避免「分支多的执行权重更高」，损失函数先在单次执行内部按 token 平均，再在批次内按执行平均；共享前缀里的同一段输出只计算一次。这样做的好处是成本有上限，而且不会因为某次执行重试次数多，就被模型过度学习。

论文给出了哪些数字，该怎么读？

旗舰模型实验：Qwen 3.8 2.4 T，每条轨迹约 70 万 token，48 步训练后 NL 2 RepoBench 从约 52.5% 升到 58.5%，提升 6.0 个百分点。完成 48 步，QwenGyre 用了 75.42 小时，Async 用了 134.55 小时，Colocate 用了 91.47 小时，端到端加速分别是 1.78 倍和 1.21 倍。

在 Qwen 3.6 122 B 上，论文在 NL 2 RepoBench、DeepSWE、TerminalBench 三类任务上做了对比：同等 GPU 预算、同等调度延迟约束下，相对 Async 加速 1.38 到 1.78 倍，相对 Colocate 加速 1.21 到 1.85 倍，训练得分与基线相当。

读这些数字时要注意三点：

1. 部分报道写的「训练时间缩短 44%」，是和 Async 比较得出的；和 Colocate 比，只缩短约 18%。
2. 1.85 倍是所有配置中的最好情况，不是平均值。
3. 所有分数都来自论文作者的内部实验，训练数据也是内部构建的，暂时没有第三方复现。

对国产大模型和开发者意味着什么？

对模型团队来说，QwenGyre 回答了一个现实问题：Agent 任务越来越长以后，强化学习的瓶颈从算法转到了调度和数据工程上。小米 MiMo 此前也公开过自己的 RL 训练过程，可以对照阅读 小米 MiMo-V 2.6 开源与 RL 训练记录。微软的 Agent Lightning 同样把现成的 Agent 当黑盒来训练，两者思路相近，规模相差很大。

对普通开发者来说，这篇论文暂时不能直接拿来用：它没有公开代码，实验也动用了大规模 GPU 集群。更现实的影响在选型上。如果下一代 Qwen 在仓库级编程任务上兑现这类提升，写代码场景的模型排序可能会变，届时可以回到 国产大模型场景选型决策树 重新评估。长任务的计费方式也值得提前准备，把重试和失败任务记进同一本账 这篇文章里的记账方法同样适用于长程 Agent。

智盒判断

QwenGyre 论文中，Qwen 3.8 2.4 T 有 61.1% 的训练问题单次至少要跑 4 小时，每条轨迹约 70 万 token。短期看，QwenGyre 是一份基础设施层面的技术披露，不会立即改变用户手里的模型能力。中期看，它说明通义已经在用「几个小时、几十万 token 一条轨迹」的任务训练旗舰模型，长程编程和自主 Agent 很可能是下一代 Qwen 的主打方向。长期看，「训练时直接使用真实部署的 Agent 框架」这条路线如果被更多厂商采用，模型在 Claude Code、Codex 这类工具里的表现会和基准分数更一致。

风险与不确定性

• 代码未公开：截至 2026-10-14，GitHub 上搜不到 QwenGyre 仓库，论文正文也没有发布代码的说明。报道中的「开源」只能理解为论文公开。
• 自报数据：所有分数和加速比都来自作者实验，没有独立复现。
• 门槛很高：方法依赖 RDMA 网络和大规模 GPU 集群，中小团队很难照搬。
• 基准局限：NL 2 RepoBench 提升 6 个百分点，不等于用户在日常编程中能感受到同等提升。

FAQ

QwenGyre 开源了吗？

截至 2026-10-14 没有。论文已在 arXiv 公开（编号 2609.33848），但我们在 GitHub 上没有找到对应的代码仓库，论文中也没有写明代码发布计划。部分媒体用「open sources」描述，指的是论文公开。

QwenGyre 是一个新模型吗？

不是。QwenGyre 是训练框架，用来对 Qwen 3.8 2.4 T、Qwen 3.6 122 B 这类已有模型做强化学习后训练。它本身不能对话，也没有 API 可以调用。

1.78 倍加速是和谁比较的？

和 Async 方案比较：48 步训练，QwenGyre 用 75.42 小时，Async 用 134.55 小时。和 Colocate 方案（91.47 小时）比，加速 1.21 倍。不同任务、不同配置下，加速区间为 1.21 到 1.85 倍。

普通开发者现在需要做什么？

不需要立即行动。更值得关注的是下一代 Qwen 发布时，它在仓库级编程和长任务上的实际表现，以及长任务的计费方式。届时再用自己的任务做一次对比测试。

参考来源

• arXiv：QwenGyre: An Elastic Reinforcement Learning Framework for Training xLong-Horizon Agents（2609.33848，2026-09-27），作者来自 Alibaba Token Hub、中国科学技术大学、清华大学
• Hugging Face Papers：2609.33848 论文页
• Startup Fortune、AI Frontier News 2026-10-13 报道（训练耗时数字已与论文原文核对）
• GitHub 仓库检索（2026-10-14，未找到 QwenGyre 代码仓库）