在 Amazon SageMaker AI 上用多轮 RL 微调搜索智能体

在 Amazon SageMaker AI 上可用多轮强化学习（MTRL）微调搜索智能体，训练 Qwen3.6-27B 在 BM25 词法搜索与向量搜索两个工具间自主决策。MTRL 以多轮 rollout 生成数据、用策略梯度优化，支持 PPO、CISPO、IS 损失与 GRPO 等优势估计器，并提供无服务器按 token 计费、异步 rollout、可恢复训练及 MLflow 轨迹与奖励观测。