IT之家، وفقًا للأخبار الصادرة في 12 أكتوبر، أصدرت علي بيان على الإطلاق QwenGyre، وهي إطار تعلم تعزيز عبر الإنترنت مخصص لمهام الكيانات الذكية طويلة المدى.
وفقًا للإعلان الرسمي، عندما يقوم الذكاء الاصطناعي بأعمال معقدة، فإن التنفيذ الواحد يستمر لساعات، ويحدث مئات جولات من التفاعلات المترابطة بين النموذج والبيئة، مع معالجة ملايين الكلمات. يتيح QwenGyre من خلال الجدولة المرنة ومعالجة المسارات، جعل هذه المهام طويلة الأمد مصدرًا فعالًا للتدريب，مما يؤدي إلى تحسين القدرة والكفاءة.
يمكن لـ QwenGyre تقسيم GPU إلى عدة وحدات حسابية، وعند انتهاء مهمة، تنتقل الوحدات الفارغة إلى التدريب، تمامًا كما يحدد من في الفريق من يقوم بالإنجاز الأول أو يشارك في مراجعة الحلول. أما المهام التي لا تزال قيد التنفيذ، فلا يتم إزعاجها على الإطلاق، ويظل التقدم والحالة كما كانت، وحتى الذخيرة المحسوبة سابقًا تُنقل بالكامل دون الحاجة إلى البدء من جديد. تندمج الوحدات الجديدة الفارغة مباشرة في جولة التدريب هذه، ويعمل كل شخص بمعدل حساب أسرع، وفي النهاية تقوم الوحدات الأساسية بتجميع النتائج لإجراء تحديث للمعلمات.
لاحظت IT之家 أن QwenGyre يمكنه تسجيل السياق الحقيقي لكل نتيجة مخرجات من خلال استخدام Token-in وToken-out، وتنظيمها في شجرة مسارات باستخدام البادئة المشتركة، وتحويل المسار المختار فقط إلى عينات تدريب. في الوقت نفسه، يمكن لالمهام التي تم إنجازها جزئيًا ولكن مع فقدان الوقت أن توفر ردود فعل مفيدة من خلال Partial Scoring، دون إهدار أي جهد.
من ناحية الأداء، قامت الشركة الرسمية في تجربة التعلم التراكمي عبر الإنترنت NL2RepoBench بتدريب النموذج باستخدام مهام تستهلك حوالي 700,000 توكين لكل عملية تطبيق، وبعد 48 خطوة من التدريب، ارتفع معدل النجاح من 52.5% إلى 58.5%. تحت نفس ميزانية GPU، حقق QwenGyre تسريعًا من الطرف إلى الطرف بمقدار 1.78× مقارنةً بـ Async، وكانت نقاط التدريب قريبة من نقاط Async وColocate. في التحقق عبر مهام مختلفة على Qwen3.6-122B، حصلت المهام الثلاثة NL2RepoBench وDeepSWE وTerminalBench على تسريع من الطرف إلى الطرف.
