참고X
알리바바, 장기 에이전트 학습 효율 높이는 'QwenGyre' 공개
에이전트 학습 시 GPU 리소스 효율과 속도를 개선하는 최적화 방법론 제시.
요약
알리바바의 Qwen 연구팀은 초장기(Extreme-Long-Horizon) 에이전트 학습을 위한 새로운 강화학습 프레임워크인 QwenGyre를 공개했다. QwenGyre는 실시간 실행 중단 없이 GPU 자원을 롤아웃과 학습 단계로 유연하게 재분배하는 'Elastic Scheduler'를 도입하여 기존 방식 대비 최대 1.85배의 학습 속도 향상을 구현했다. 또한, 복잡한 분기 실행 과정을 효율적인 트리 구조로 변환하고 중복 데이터를 제거하는 'Trajectory Processor'를 통해 학습 효율을 높였다. 실제로 Qwen3.8-2.4T-A95B 모델 학습 시 롤아웃당 약 70만 토큰을 처리하며, NL2RepoBench 성능을 52.5%에서 58.5%로 48단계 만에 개선했다. 결과적으로 비동기 방식(Async) 대비 전체 학습 시간을 약 44% 단축하는 성과를 거두었다.
AI가 원문을 요약한 내용으로, 부정확할 수 있습니다.
원문 제목 @Alibaba_Qwen: Introducing QwenGyre, bringing elastic RL to extreme-long-horizon (XLong) agent training. ✨ It launches with two core designs: 🥳
원문 보기 ↗