AWS 展示 SageMaker 多轮强化学习搜索代理流程，四组评估中三组提升

先了解这件事

AWS 发布 SageMaker AI 训练流程，以多轮强化学习微调 Qwen3.6-27B 搜索代理，结合检索工具与轨迹奖励；作者报告四组独立评估中三组提升。

新增的是训练与评估教程，不是新 Qwen 模型发布。

训练可以针对完整搜索轨迹优化，但结果也说明收益并非对所有数据集都成立。

示例使用 BM25 与向量搜索工具，以 nDCG@10 评估检索质量。奖励对失败轨迹赋值 -1，包括超过轮数或 token 上限的情况；流程还讨论无服务器训练、MLflow 观测与可恢复任务。

作者报告四组独立评估中三组提升，FreshStack 则从 0.4112 变为 0.4089，出现小幅退化。这是所评估配置下的结果，不能概括为强化学习会改善所有搜索负载。

实践上可先在自己的搜索任务复现基线，固定工具与限制，再同时检查排序质量和失败轨迹。文章日期为 10 月 2 日，精确发布时间取自 AWS 官方博客 RSS。

事实核查

已核实流程在 SageMaker AI 上以多轮强化学习训练 Qwen3.6-27B 搜索代理，使用 BM25 和向量搜索。依据

已核实使用 nDCG@10，对包含轮数/token 超限的失败轨迹奖励 -1，并讨论无服务器训练、MLflow 和可恢复任务。依据

已核实作者报告四组独立评估中三组提升，FreshStack 从 0.4112 降至 0.4089。依据

先了解这件事