千问公开Agent训练框架：不加卡，训练效率提升78%

GPU不够烧，但AI要啃的任务却越来越长，模型迭代稍慢一步就可能被同行甩下。千问交出答卷QwenGyre：同等GPU预算下，将原本需135小时的48步强化学习训练压缩到75小时，省下近60小时，训练效率提升78%。

问题出在超长程任务（xLong-horizon）上。让AI独立完成全自动软件开发，一次rollout需连续交互几百次，上下文动辄累积100万token。这带来两个麻烦：一是Agent交卷时间参差不齐，传统Colocate模式下GPU集群必须等最慢任务完成才能统一切换训练，算力利用率暴跌；Async异步分离模式则导致训练GPU经常断粮、推理GPU过载。二是工作记录不断分叉，成熟黑盒Agent框架会做历史压缩、派生子Agent、失败重试，留下枝繁叶茂的轨迹树，策略优化时全展开会显存爆炸，超时任务判0分又太冤枉。

QwenGyre重构系统，设弹性调度器和轨迹处理器。调度上，将GPU集群切成可独立切换角色的计算单元，排第一的Core Cell掌握优化器状态和权威模型权重，其余为Satellite Cells。通过水位线监控机制，未完成任务跌破阈值时，空闲Cell无需等待即可就地转训练。团队发现推理与训练波峰波谷正好错开，便让同一批GPU灵活换班，用训练高峰填平推理低谷。切换采用无损迁移：请求透明重路由、RDMA极速搬运KV-Cache，推理切训练平均8.52秒，训练切回推理仅3.46秒。训练侧采用流式训练，Core Cell不必等大Batch集齐，Satellite Cell可动态插队加入，同一时间点完成参数更新。

数据处理上：TITO精确记录每次模型调用的原始token与行为概率，所有分叉路径合并成前缀树，公共前缀只存一份、只算一次损失；对超时未跑通的任务，评估器对已生成代码做局部评估给出过程分，而非直接判0；按角色优先级采样，主Agent主线>主Agent总结>子Agent任务>子Agent总结，每任务默认最多挑5条轨迹；严格打mask，只有模型自己吐出的token算loss，损失在任务内部平均，避免分叉多权重大的偏置。

实战中，团队在Qwen 3.6 122B做消融对比，并将方案推到旗舰模型Qwen 3.8 2.4T，评测NL2RepoBench、DeepSWE、TerminalBench，Agent外壳统一用Claude Code 2.1.220。NL2RepoBench中超61.1%查询耗时4小时以上，最长任务超时率38.2%。完成48步强化学习训练，传统Async方案跑了134.55小时。