QwenGyre: 52,5 til 58,5 – 1,78x, 2,4T, ingen kode

Qwen-teamet i Alibaba kunngjør 12. oktober QwenGyre, et rammeverk for online forsterkningslæring på ekstremt lange agentkjøringer. På flaggskipet Qwen 3.8 2,4T, med om lag 700 000 tokens per runde, går NL2RepoBench fra 52,5 til 58,5 prosent på 48 steg. End-to-end-tid mot Async kuttes med om lag 44 prosent: 75,42 timer mot 134,55.

QwenGyre er ikke en ny modell. Det er treningsinfrastruktur for time-lange kodeagenter. For norsk CIO, CISO og styre er det et signal om hvordan kinesiske laber nå trener agenter som skal bygge hele repositorier, og at koden ikke er lagt ut.

Hva som faktisk shippes

Papiret (arXiv:2609.33848, innsendt 27. september, kunngjort 12. oktober) kommer fra Alibaba Token Hub, med bidrag fra USTC og Tsinghua. En såkalt xLong-kjøring kan vare i timer, ha hundrevis av modell–miljø-steg og nærme seg 1 million tokens.

To deler:

• Elastic Scheduler: GPU-er deles i celler som kan bytte mellom sampling (SGLang) og trening (Megatron) uten å avbryte kjørende agenter. Bytte oppgis under 9 sekunder. Live workspace, verktøytilstand og KV-cache beholdes.
• Trajectory Processor: forgrenede kjøringer med komprimering, subagenter og retries blir trær med delte prefiks. Delvis arbeid etter timeout får poeng. Felles prefiks telles én gang, så oppgaver med mange grener ikke dominerer tapet.

Harnessen er svart boks. Eksperimentene bruker Claude Code 2.1.220 uten å skrive om verktøylaget. Modellen som trenes er Qwen, ikke Claude. Det er stillas, ikke destillasjon. Det viser likevel at treningspipen avhenger av en annen labs agent-harness.

Offentlig kode og lisens mangler i papiret og i kunngjøringen.

Tallene, med forbehold

Alle tall er labens egne, med like GPU-budsjett og matched staleness (snitt 1,5 oppdateringer).

Qwen 3.8 2,4T på NL2RepoBench, 48 steg, om lag 700 000 tokens per runde:

• Passrate 52,48 til 58,54 prosent. Papiret runder til 52,5 til 58,5, seks poeng absolutt.
• 75,42 timer mot 134,55 for Async og 91,47 for Colocate.
• 1,78x mot Async, 1,21x mot Colocate. Colocate-gevinsten er minst her fordi mange oppgaver gikk mot timeout.

Qwen 3.6 122B, samme GPU-budsjett:

• NL2RepoBench, 48 steg: 1,42–1,53x mot Async, 1,36–1,47x mot Colocate.
• DeepSWE, 24 steg: 1,57x mot Async, 1,61–1,82x mot Colocate.
• TerminalBench, 24 steg: 1,38–1,43x mot Async, 1,81–1,85x mot Colocate. 1,85x er topp-tallet mot Colocate.

Trening bruker tilpasset GSPO med 16 rundinger per gruppe. 58,5 prosent passrate betyr at fire av ti repositorier fortsatt stryker. Det er treningsfremgang, ikke en produksjonsklar autonom utvikler.

Hva det betyr for lederbordet

Hvis du vurderer Qwen 3.8 som kodeagent: denne pipen er hvordan laben hever repo-generering. Du får ikke QwenGyre som produkt. Du får en bedre trent vekt, hvis og når den versjonen lander i API eller åpne vekter.

Hvis du trener egne agenter: elastisk GPU-bytte midt i time-lange rollouts er flaskehalsen, ikke neste benchmark-poeng. Colocate lar GPU-er stå ledige på etterslepende oppgaver. Async låser deler av parken. QwenGyre hevder å flytte ledige celler til trening uten å drepe kjørende jobber.

Tre styringspunkter:

• Kina og data. Rollouts er time-lange arbeidsmapper, verktøykall og mellomresultater. Kjør dette i Alibaba-infrastruktur, og kildekode og intern kontekst ligger i treningsløkka. EØS-hosting er ikke beskrevet.
• Ingen kode. MarkTechPost og AlphaSignal bekrefter at papiret ikke peker på et repo. Du kan ikke auditere scheduler, reward eller harness-proxy. veRL, AReaL og Agent Lightning har åpen kode. QwenGyre har det ikke i denne utgivelsen.
• Avhengighet av fremmed harness. Claude Code som svart boks betyr lisens, telemetri og atferdsendringer utenfor din kontroll. Bytt harness, og gevinsten kan falle.

Ikke rull dette inn i produksjon som «åpen RL». Det er en labrapport med sterke systemtall og ett siffer på ett repo-benchmark. Uavhengig reproduksjon mangler.

Kilder og medier

Primærkilde: Qwen, «QwenGyre: An Elastic Reinforcement Learning Framework for Training xLong-Horizon Agents», arXiv:2609.33848, https://arxiv.org/abs/2609.33848 Kunngjøring 12. oktober 2026 fra Qwen. Sekundær: MarkTechPost 12. oktober 2026; AlphaSignal 12. oktober 2026. Thumbnail: OpenAI Image 2 / hogby.ai