在 Amazon SageMaker AI 上用多轮 RL 微调搜索智能体

Amazon SageMaker AI 的多轮强化学习（MTRL）被用于微调 Qwen3.6-27B 搜索智能体，训练环境提供 BM25 词法搜索与向量搜索两个工具。MTRL 以多轮 rollout 生成数据并结合 PPO、CISPO、IS 等策略梯度算法优化，支持 serverless 按 token 计费、异步 rollout 与训练续跑，并可在 MLflow 中逐轮查看轨迹与奖励。