室谷代表取締役QwenGyre（キュウエンジャイア）は、超長期（xLong）ホライズンのエージェントを強化学習で訓練するためのエンドツーエンドのフレームワークで、2026年9月27日にarXivへ投稿された論文で提案されたものなんですよね。
テキトー教師DotAI 認定講師そうなんですよ。論文のタイトルは「QwenGyre: An Elastic Reinforcement Learning Framework for Training xLong-Horizon Agents」で、arXiv:2609.33848として公開されています。
単に新しいモデルが出たという話じゃなくて、エージェントの訓練の“やり方”そのものを変える提案なんです。
単に新しいモデルが出たという話じゃなくて、エージェントの訓練の“やり方”そのものを変える提案なんです。
QwenGyreとは？超長期エージェントRLフレームワーク
QwenGyreの2つの設計が解く2つの根本的困難
課題1：実行時間のばらつきとロールアウト遅延
大量のGPU遊休を引き起こす
課題2：複雑な非線形の分岐
大量の軌跡の冗長性を生み、訓練効率を損なう
Elastic Scheduler
需要の変動に応じてGPUをロールアウトと訓練の間で再配分。実行中の処理は中断しない
Trajectory Processor
分岐する実行履歴をprefix共有の軌跡ツリーに再構成し、訓練サンプルを重複排除して上限を設ける。タイムアウト後も部分的な進捗を採点する
室谷代表取締役まず前提を揃えておくと、xLongホライズンというのは、1回の実行が数時間、モデルと環境の相互作用が数百回、1ロールアウトあたり約100万トークンに達するような極端に長いタスクのことです。
テキトー教師DotAI 認定講師論文の要旨でも「a single execution can span hours, hundreds of model–environment interactions, and nearly 1M tokens per rollout」と書かれています。コーディングや調査のような、多段階で長時間かかる作業が典型例ですね。
室谷代表取締役で、QwenGyreはそうした超長期タスクにオンライン強化学習を適用するためのフレームワークで、2つの根本的な困難を解決しようとしている。ここが今回の核心です。
テキトー教師DotAI 認定講師論文が挙げている2つの課題はこうです。1つ目は「実行時間のばらつきとロールアウトの遅延が、大量のGPU遊休を引き起こすこと」。
2つ目は「複雑な非線形の分岐が大量の軌跡の冗長性を生み、訓練効率を損なうこと」。
2つ目は「複雑な非線形の分岐が大量の軌跡の冗長性を生み、訓練効率を損なうこと」。
室谷代表取締役この2つを、Elastic SchedulerとTrajectory Processorという2つの設計で解く。整理するとこうです。
- Elastic Scheduler：需要の変動に応じてGPUをロールアウトと訓練の間で再配分。実行中の処理は中断しない
- Trajectory Processor：分岐する実行履歴をprefix共有の軌跡ツリーに再構成し、訓練サンプルを重複排除して上限を設ける。タイムアウト後も部分的な進捗を採点する
テキトー教師DotAI 認定講師この2本柱を頭に置いておくと、以降の話がすっと入りますよ。
なぜxLong-Horizonエージェントの強化学習は難しいのか——GPU遊休と軌跡の冗長性
超長期HorizonエージェントRLの2つの根本的課題
GPU遊休
超長期タスクは実行時間のばらつきが激しく、あるロールアウトはすぐ終わる一方、別のロールアウトは何時間もかかる。RLではロールアウトの実行データでモデルを更新するため、訓練側GPUはロールアウトが揃うのを待つ。この待ち時間がそのままGPU遊休となる（severe execution variance and prolonged rollout delays cause massive GPU idling）。
軌跡の冗長性
エージェントの実行は一直線ではなく、compaction（履歴の圧縮）、サブエージェント、リトライといった非線形な分岐を繰り返す。分岐した実行履歴をそのまま訓練サンプルにすると同じprefixを何度も数えることになり、冗長なデータが大量に生まれる（massive trajectory redundancy）。訓練効率をcrippling（壊滅的）に損なう。
室谷代表取締役ここは論文が「two fundamental challenges」と明言している部分なので、丁寧に見ていきたいんですよね。まず1つ目のGPU遊休から。
テキトー教師DotAI 認定講師超長期タスクは実行時間のばらつきが激しいんです。あるロールアウトはすぐ終わるのに、別のロールアウトは何時間もかかる。
RLではロールアウトで生成した実行データを使ってモデルを更新するので、訓練側のGPUはロールアウトが揃うのを待つことになる。
RLではロールアウトで生成した実行データを使ってモデルを更新するので、訓練側のGPUはロールアウトが揃うのを待つことになる。
室谷代表取締役その待ち時間がそのままGPUの遊休になるわけです。論文でも「severe execution variance and prolonged rollout delays cause massive GPU idling」と表現されている。
MYUUUでも大規模な推論を回していると、待ちの時間がどれだけ無駄かは身に染みるんですよね……。
MYUUUでも大規模な推論を回していると、待ちの時間がどれだけ無駄かは身に染みるんですよね……。
テキトー教師DotAI 認定講師2つ目の軌跡の冗長性も厄介です。エージェントの実行は一直線ではなく、compaction（履歴の圧縮）、サブエージェント、リトライといった非線形な分岐を繰り返す。
室谷代表取締役分岐した実行履歴をそのまま全部訓練サンプルにすると、同じprefixを何度も数えることになって、冗長なデータが大量に生まれる。これが「massive trajectory redundancy」で、訓練効率を crippling（壊滅的）に損なうと論文は書いています。
テキトー教師DotAI 認定講師講座でも受講生さんが「長いエージェントの実行ログをどう訓練に使うのか」で悩むことが多いんですけど、まさにこの冗長性の問題なんですよ。実行をそのまま並べるだけでは、学習に使える形にならない。
QwenGyreのElastic Scheduler——GPUを実行と訓練で再配分し最大1.85倍高速化
Elastic Schedulerの位置づけと効果
Elastic Scheduler
- 需要変動に応じてGPUをロールアウトと訓練の間で再配分
- without interrupting live executions(実行中を中断しない)
- ロールアウト混雑時はGPUをそちらへ寄せる
- 訓練に余裕ができたら訓練へ振り向ける
- 長時間走るロールアウトを殺さずに済む
Colocate(従来方式)
- 従来の一般的なRL実行方式
- Elastic Scheduler比で最大1.85倍遅い
室谷代表取締役では1つ目の解決策、Elastic Schedulerです。名前の通り「伸縮する」スケジューラで、需要の変動に応じてGPUをロールアウトと訓練の間で再配分する。
テキトー教師DotAI 認定講師ポイントは「without interrupting live executions」、つまり実行中の処理を中断しないことです。ロールアウトが混み合っているときはそちらにGPUを寄せ、訓練に回せる余裕ができたら訓練へ振り向ける。
室谷代表取締役止めずに再配分できるから、長時間走っているロールアウトを殺さずに済む。ここが効くわけです。
テキトー教師DotAI 認定講師効果も論文に数字があります。Colocate比で最大1.85倍、Async比で1.78倍の高速化。
ColocateやAsyncは従来の一般的なRL実行方式で、それらと比べてこれだけ速くなるという話ですね。
ColocateやAsyncは従来の一般的なRL実行方式で、それらと比べてこれだけ速くなるという話ですね。
室谷代表取締役ここで注意したいのは、この数字が「diverse domains of training datasets」での評価、つまり複数の領域の訓練データセットにまたがる評価で得られた最大値だという点です。単一条件の数字ではないんですよね。
テキトー教師DotAI 認定講師そうですね。最大値であることは正確に押さえておきましょう。
QwenGyreのTrajectory Processor——分岐する実行履歴を軌跡ツリー化し無駄を排除
室谷代表取締役2つ目の解決策がTrajectory Processorです。ここが個人的に一番おもしろいところで。
テキトー教師DotAI 認定講師論文の要旨では「reconstructs branching histories, scores partial progress, and deduplicates redundant paths to bound training costs」と説明されています。分岐する実行履歴を再構成し、部分的な進捗を採点し、冗長なパスを重複排除して訓練コストに上限を設ける、という3つの働きですね。
室谷代表取締役公式スレッドではもう少し具体的で、分岐する実行（compaction、サブエージェント、リトライ）を「prefix共有の軌跡ツリー」に変換し、訓練サンプルを重複排除して上限を設けると書かれています。
テキトー教師DotAI 認定講師ツリーとして捉え直すのがミソです。同じprefixを共有する分岐はまとめて扱えるので、冗長なサンプルを数えずに済む。
整理するとこうです。
整理するとこうです。
- 分岐する実行履歴（compaction・サブエージェント・リトライ）をprefix共有の軌跡ツリーに再構成
- 訓練サンプルを重複排除し、上限を設けて訓練コストを bound する
- タイムアウト後も部分的な進捗を採点対象にする
室谷代表取締役最後の「タイムアウト後も部分的な進捗を採点する」も実務的でいいですよね。長時間タスクだと最後まで完走しない実行も多いので、途中まで進んだ分を捨てずに報酬に反映できる。
テキトー教師DotAI 認定講師教育の現場でも「途中までできたことを評価する」のは大事なんですけど、RLの訓練データ設計でも同じ発想が要るということです。
QwenGyreの性能——NL2RepoBench 52.5%→58.5%、訓練時間44%短縮の意味
室谷代表取締役ここからが成果の話です。論文ではフラッグシップモデルのQwen 3.8 2.4T、1ロールアウトあたり70万トークンという設定で評価しています。
テキトー教師DotAI 認定講師結果は、NL2RepoBenchで48ステップで52.5%から58.5%へ、絶対値で6.0ポイントの改善です。
室谷代表取締役そしてエンドツーエンドの訓練時間はAsync比で約44%短縮。精度が上がって、しかも訓練が速くなるという、いいとこ取りの数字になっています。
テキトー教師DotAI 認定講師ここで大事なのは、この改善が「48 steps」という比較的少ないステップ数で得られている点です。訓練の効率そのものが上がっていることの裏付けになりますね。
室谷代表取締役数字をまとめるとこうです。
| 項目 | 内容 |
|---|---|
| 評価モデル | Qwen 3.8 2.4T（フラッグシップ） |
| 1ロールアウト | 約70万トークン |
| NL2RepoBench | 52.5% → 58.5%（48ステップ、絶対値+6.0ポイント） |
| 高速化 | Colocate比 最大1.85倍、Async比 最大1.78倍 |
| 訓練時間 | Async比 約44%短縮 |
テキトー教師DotAI 認定講師ただし、NL2RepoBench以外の具体的なベンチマーク数値は今回の資料には示されていません。他タスクでの詳細な比較は現時点では明らかにされていません。
室谷代表取締役そこは正直に押さえておきましょう。
QwenGyreの論文・公開状況と今後の展開
室谷代表取締役公開状況を整理すると、論文は2026年9月27日にarXivへ投稿されていて、識別子はarXiv:2609.33848、DOIは10.48550/arXiv.2609.33848です。
テキトー教師DotAI 認定講師著者はWeiqi Wangさん、Yuxin Zhouさん、Mouxiang Chenさん、Siyuan Zhangさん、Yi Zhangさん、Yuyan Luoさん、Zhiyu Yinさん、Chencan Wuさん、Jiemin Jiangさん、Wentao Yaoさん、Chujie Zhengさん、JianWei Zhangさんの12名。サブミットはMouxiang Chenさん名義ですね。
室谷代表取締役カテゴリはcs.LG（機械学習）とcs.DC（分散・並列・クラウドコンピューティング）。分散実行の最適化を含む論文なので、両方にまたがっているのが納得です。
テキトー教師DotAI 認定講師ライセンスはarXivのページに「view license」とあるのみで、具体的なライセンス名は資料からは読み取れません。コードやモデルの公開状況についても、今回の資料では明らかにされていません。
室谷代表取締役ここは注意が必要で、論文は公開されているけれど、実装がオープンソースで提供されているかは現時点では不明なんですよね。Qwenシリーズの他のモデルとの関連や位置づけについても、今回の資料では言及されていません。
テキトー教師DotAI 認定講師今後の展開としては、このElastic SchedulerとTrajectory Processorの設計が、超長期エージェントの訓練における共通の課題への答えとして、他の取り組みにも影響を与えていく可能性があります。
室谷代表取締役エージェントRLの効率化は、長時間・大規模タスクを扱う上での共通課題ですからね。ここを解くフレームワークが出てきたこと自体が、一つの節目だと思います。
QwenGyreに関するよくある質問
テキトー教師DotAI 認定講師ここからは、よく調べられるポイントを整理していきますね。
室谷代表取締役まず「QwenGyreとは何か」ですが、超長期（xLong）ホライズンのエージェントをオンライン強化学習で訓練するためのエンドツーエンドのフレームワークです。論文で提案されました。
テキトー教師DotAI 認定講師「Elastic Schedulerとは何か」は、需要の変動に応じてGPUをロールアウトと訓練の間で再配分する仕組みです。実行中の処理を中断せず、Colocate比で最大1.85倍、Async比で1.78倍の高速化を実現します。
室谷代表取締役「Trajectory Processorとは何か」は、分岐する実行履歴をprefix共有の軌跡ツリーに再構成し、訓練サンプルを重複排除して上限を設ける仕組み。タイムアウト後の部分的な進捗も採点対象にします。
テキトー教師DotAI 認定講師「性能はどうか」は、Qwen 3.8 2.4T・1ロールアウト約70万トークンの設定で、NL2RepoBenchが48ステップで52.5%から58.5%へ改善、訓練時間はAsync比で約44%短縮です。
室谷代表取締役「論文はどこにあるか」は、arXiv:2609.33848です。2026年9月27日投稿。
テキトー教師DotAI 認定講師「コードやモデルは公開されているか」は、今回の資料では明らかにされていません。ライセンスの具体的な名称も資料からは確認できません。
室谷代表取締役「Qwenシリーズの他のモデルとの関連は」も、今回の資料では言及されていません。ここは今後の続報を待ちたいところです。
テキトー教師DotAI 認定講師発表元の帰属についても、今回与えられた資料には「Alibaba」や「Qwenチーム」という明示的な記載がないため、本記事では論文で提案されたフレームワークとして扱っています。
室谷代表取締役というわけで、超長期エージェントのRLを「待ち時間」と「データの無駄」から解放する設計として、QwenGyreはかなり実務寄りな提案なんですよね。長時間エージェントを回している人ほど刺さる内容だと思います。
