Alibaba、長時間稼働AI育成基盤「QwenGyre」発表

中国Alibaba（中国の電子商取引・クラウド大手企業）のQwenチームは、数時間におよぶ長時間タスクを実行するAIエージェント向けの強化学習フレームワーク「QwenGyre」を発表しました。100万トークン規模の長大なコンテキストを扱いながら、GPUリソースの弾力的な割り当てによって学習時間を44%削減し、自律的なコーディングエージェントの性能向上を実証しています。

長時間稼働におけるGPU遊休と報酬遅延の課題を解消

従来のエージェント向け強化学習（AIが環境内で行動し報酬を最大化するように試行錯誤を重ねる学習手法）では、複雑な多段階タスクにおいて深刻なハードウェア利用効率の低下が発生していました。エージェントがツールの呼び出しや外部ファイルの読み込みを待つ間、割り当てられたGPUの大部分が遊休状態となる一方、タスク完了まで報酬が確定しないため計算資源が浪費される問題がありました。

QwenGyreは「弾力的スケジューリング（elastic scheduling）」を導入し、このボトルネックを解消しています。GPUの計算能力を独立したユニットに分割し、一部のユニットがエージェントの行動試行（ロールアウト）を行っている間に、空いたユニットが並行してモデルの重み更新処理を引き受けます。この動的なハードウェア共有により、固定台数を各処理に専従させる構成と比べて大幅な効率化を実現しました。

2.4兆パラメータモデルでの実証と既存環境への適合性

2.4兆パラメータの「Qwen3.8」モデルを用いた実験において、QwenGyreは以下の検証結果を記録しています。

評価指標	従来手法（非同期）	QwenGyre	改善効果
48訓練ステップ所要時間	134.55時間	75.42時間​	44%削減
NL2RepoBench正答率	52.48%	58.54%	+6.06ポイント
ハードウェア高速化倍率	基準	最大1.78〜1.85倍	処理効率向上

リポジトリ単位のコーディングタスクを評価するベンチマーク「NL2RepoBench」でのスコア向上に加え、既存のエージェント実行環境（ハーネス）を改造せず、ブラックボックスとして接続できる点も特徴です。開発者がすでに構築したツール呼び出しインターフェースやサンドボックスをそのまま流用して学習を進められます。

オープン基盤としての未確認事項と制約

QwenGyreは詳細なシステム設計やベンチマーク結果が論文で公開されている一方、公開コードリポジトリのURLや適用されるオープンソースライセンスの詳細は現時点で明示されていません。社外の外部環境でAlibabaと同等の高速化と正答率向上が再現できるかについては、今後のコード公開やコミュニティによる追試の進展を見極める必要があります。

分析と今後の展望

米OpenAIや米Anthropicが自律エージェントの学習インフラを非公開のブラックボックスにとどめる中、Alibabaが長時間タスクに特化した強化学習フレームワークの構造を公開したことは、エージェント開発競争における大きな布石といえます。数時間に及ぶ試行錯誤を安定して処理できるインフラの標準化が進めば、単なるチャット型のアシスタントから自律的に業務を完遂する実用エージェントへの移行が加速するとみられます。

引用元：Startup Fortune