通义千问 QwenGyre 在 2026 年 10 月 12 日由阿里通义千问团队在官方账号公布：这是一套为超长程智能体任务设计的弹性强化学习框架，出自阿里 Token Hub 与中国科学技术大学、清华大学的研究者，目标是解决单个任务跑数小时、一次执行接近百万 token 时，在线强化学习训练效率塌方的问题。
长程任务训练难在哪：等慢任务和重复轨迹
论文给出的场景很具体：这类智能体一次执行要经历数百次与环境的交互，单条轨迹消耗 70 万到近 100 万 token。麻烦有两处：一是每条轨迹时长差异极大，慢轨迹拖住整批训练，GPU 大量闲置等待；二是非线性分支会生成大量重复轨迹，训练成本被冗余吃掉。传统的同地部署会卡在等最慢的轨迹上，静态异步方案又会让训练侧的加速器空转。
两个机制：弹性调度加轨迹处理
QwenGyre 的解法分两层。弹性调度器在不中断正在执行的任务的前提下，把 GPU 在轨迹生成和模型训练之间动态调配，回收闲置算力；轨迹处理器则重建分支历史、给部分进度打分，并对共享前缀的重复路径去重，把训练样本量控制在有界范围。在旗舰模型 Qwen3.8 2.4T、每条轨迹 70 万 token 的评测中，它用 48 步把 NL2RepoBench 成绩从 52.5% 提到 58.5%；整体速度相比同地部署最高快 1.85 倍，相比异步方案最高快 1.78 倍。
谁该关注这条消息
对做代码智能体、长任务智能体的团队，这组数字的意义在于：长程强化学习的瓶颈正从算法转向系统调度，GPU 利用率和轨迹去重能直接换算成训练成本。需要注意的是，上述成绩来自团队在自有旗舰模型和自有评测集上的结果，框架是否开放、其他模型迁移后的收益如何，官方公布中尚未说明，后续要看代码与更多复现结果。
