AI图鉴

AI图鉴首页 › AI 资讯 › Agent闪电v1.0:一个3500线轻量级代理RL框架,用于使用真正的哈内塞斯

Agent闪电v1.0:一个3500线轻量级代理RL框架,用于使用真正的哈内塞斯训练Agents

来源:Microsoft Research · 发布时间:10-08 · 由 AI图鉴每小时自动聚合

通过强化学习培训AI agents可能具有挑战性,因为其工具、背景和决策是由复杂的框架管理。 Agent 升

看着

- 利用代理RL:Microsoft 研究亚洲推出是一种训练范式,部署中使用的同一种agent的拉带直接参与强化学习,消除了在训练框架内重新实施agent的需要。

- 轻量级按设计:Agent闪电v1.0在大约3500行代码中提供完整的agent RL控制平面。

- 土著Kubernetes支持:agents作为标准Kubernetes工作在自管集群、云Kubernetes或当地基础设施上运行,不依赖付费的商业沙盒服务。

- 数据效率高的培训配方:在SWE-bench Verifeed上从41.8%到56.4%的融资 Z2Z3.5-9B端对端编码agent输油管Qwen3.5-9B,增速14.6个百分点,仅使用基于开源数据集的约6000个培训样本。

AI agents已经从单一模型演变成复杂的全存储系统,由模型,工具,和执行环境所构建。 它们的能力越来越依赖于agent拉带,从模型之外协调它们。 强化学习(RL)是AI系统通过尝试和错误学习的一种方法,以对其行为的奖惩为指导。 RL可以使这些agents更好,但大多数agent RL系统需要开发人员在训练框架内重新执行agent. 费用很高,这意味着agent接受训练并不是部署的agent。

为了解决这个问题,Microsoft研究亚洲的研究人员拥有推出 Harnesed Agentic RL训练范式和开源一个完全重建的Agent闪电v1.0(在新标签中打开). 与原版相比,Agent闪电,v1.0更强调保持轻量级,与真正的吊带结合,以及一个完整,可复制的agent RL训练管道。

Agent闪电v1.0是围绕Harnessed Agentic RL重建的,主要改进有:

——轻量级:整个框架约3500行代码。 Agent闪电v1.0在一个足够小和清晰的代码库中执行一个完整的Harnessed Agentic RL系统,以理解,修改,扩展。

- 真正的agent牵引装置的训练:agents通过Agent闪电v1.0中的大语言模型(LLM)代号到达模型,使现有的牵引装置代码保持不变。

- 本地Kubernetes支持:agents作为Kubernetes工作直接运行,没有外部商业沙盒服务。 自我管理的集群和地方基础设施都能够支持大规模推出。

- 一个完整的编码agent培训实例:在SWE-bench验证的Qwen3.5-9B 融资 Pass@1上建造的端对端管道从41.8%提高到56.4%,绝对收益14.6个百分点,只使用约6000个培训样本。

传统代理RL的限度

传统的代理RL假设训练框架拥有与环境的互动循环。 在ReAct风格的循环中,模型生成一个动作,环境返回一个观测,观察被附加在上下文中,模型生成下一个动作,因此整个推出的地图都排在一个连续的符号轨道上。 早期的RL系统如verl,AReaL,和粘液都是这样建造的,这意味着训练agent需要在RL框架内重建其循环。

真正的牵引力已经超过了这种假设。 编码agents,如迷你-SWE-agent,OpenHands,OpenCode,Claude Code,和Codex各带来各自的上下文管理,工具协议,执行逻辑,和依赖性,通用的agent系统也是如此。 重建一个用于训练的费用昂贵,重建的agent可能不再以部署的agent那样的行为。

兹Agent 闪电走不同路线。 它将LLM代理置于agent和模型之间。 agent继续和以前一样运行:简单地指向之前在Agent闪电中称为模型API的终点,训练框架可以观察和记录其模型调用。 在v1.0中,研究人员进一步将这个范式正式定义为Harnessed Agentic RL:在部署时使用的agent系系系系系系系系系系系系系系系系系系系系系系系系系系系系系系(图1)。

培训中四个真正的挑战

Harnessed Agentic RL和传统Agentic RL的一个核心区别是,环境交互循环由agent的拉带处理,而不是训练框架。 训练系统只能观察一系列的LLM请求和响应对,所以一个单一的推出可能会被分成一个可变数量的训练样本。 这是带来四大挑战:

- 重新整理和样本合并:Harneses将上下文保留为文本,但RL培训需要推出过程中所抽样的代号ID. 通过聊天模板和指示器再次传递文本可以转换符号边界,因此相邻的呼叫不能总是被合并为一个样本。

- 优点计算:复试、 次试剂和上下文总和可以将一个推开分成几个样品。 直接在样本层面计算基线和优势,会导致产生更多样本的推出被反复统计,这改变了推出层面的原始统计关系。

- 损失常态化:通过抽样计数来估计损失,使产生更多样本的推广工作获得更多的权重。 由于样本计数往往只是拉带行为的产物,损失正常化也必须避免被它扭曲。

- 训练后端调度:样本计数和长度仅在使用完后才能知道,而GPU计数和数据/频率并行配置通常固定。 后端必须将可变的工作量映射成固定资源。

视频系列

用3 500行代码建造完整的agent RL控制平面

在系统设计中,Agent闪电v1.0将简单化作为其第一原理。 整个框架共约3500行代码,有三个核心组成部分:API Gateway,推出控制器,以及自定义的训练员(图2).

API网关存储推出,模型,和事件,并作为OpenAI兼容的LLM代理。 它将每一个模式的呼叫与它的推出联系起来,并记录培训所需的提示、反应和日志概率。 推出控制器开始并管理agent执行,或者作为本地进程,或者作为标准Kubernetes任务,使agent执行与训练员分开。 定制的训练员以verl为基础,建立推广,等待他们完成,收集样品,并通过一个样品适配器组装最后的训练样品。 因此,对于一个现有的agent牵引装置,简单地将模型端点指向Agent闪电代理通常足以快速连接到RL训练。

异位调 RL

推出时间在agents之间差异很大。 同步RL在一个批次中等待最慢的agent,让GPU闲置,同时完全同步的RL 融资利用,但需要单独的GPU池来展开和训练。 作为回应,Agent闪电v1.0 推出 Collocted Async RL,它让推出和模型更新共享同一套GPU.

一旦系统收集到足够的推出,更新开始:API Gateway暂停接受新请求,等待已进行中的请求完成,更新完成后恢复推出。 整个州过渡过程透明到外部的agent牵引。 在实验中,这种方法在同步RL上实现了大约2x端到端的加速,同时使用GPU比常规同步RL更少(图3).

在 Kubernetes 上运行 agents

收集足够的展开意味着一次运行许多agents,消耗大量的CPU,内存,和计算资源。 其他的Harnessed Agentic RL框架经常托管那些在商业沙盒服务如Modal Sandbox或E2B上的agents,成本随规模而迅速攀升。 相反,Agent闪电v1.0将它们作为标准Kubernetes工作运行,重新使用现有的自管理集群,云Kubernetes,或本地基础设施(图4). 现有计算资源得到更高效的利用,大规模推广成本降低,整个管道保持开源并可以再生产。

6 000个培训样本,14.6分业绩收益

为了测试这一方法,研究人员在SWE-smith、迷你SWE-agent和Qwen3.5-9B上建造了一条完整的管道,涵盖数据清理、环境建设、悬赏保障和RL培训。 这套培训有大约6 000个样本,不需要大规模计算。 RL训练单融资 Qwen3.5-9B在SWE-bench验证中从41.8%到56.4%,增速14.6个百分点。

编码agent实验进一步证实了早先对两个挑战的分析:优势计算和损失正常化。 与样本级处理相比,推出级优势与推出级正常化相结合,实现了更高的验证奖励,并在培训期间使政策 en更加稳定(图5)。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

1Panel AI 网关

1Panel AI 网关为内部 AI 应用和模型调用提供统一接入入口,支持模型代理、席位管理、用量统计、智能

ZCode

智谱推出的轻量级AI IDE编程工具

nano banana 2

nano banana 2 是独立的浏览器端 AI 图像生成与编辑工具,可通过文字或参考图片创作视觉内容,并

AI Prompt Genius

AI提示词库创建和管理工具

相关免费羊毛

Arize AX

每月 2.5 万条 span 免费

Clair

学生免费使用临床 AI 工具套件

GitHub 学生包

学生认证免费拿 Copilot 等权益

VTEXS

开源开发者免费 VPS(活跃项目可续期)

同源资讯

AI有什么错误,什么失败告诉我们

Microsoft Research · 10-07

阅读原文(microsoft.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 合作与友链 · 关于本站 · 528 款 AI 工具分类导航 · 每日 AI 热门项目与动态