AWS发布了一份指南，介绍如何在 Amazon SageMaker AI 上通过多轮强化学习微调搜索智能体。这种方法会让智能体针对完整的搜索序列进行训练，并依据最终结果的质量给予奖励。
在 AWS 的评估中，微调后的 Qwen3.6-27B 在四项未参与训练的基准测试中有三项表现提升。在 BrowseComp-Plus 上，其 nDCG@10 得分提高了 23.7%，失败率则从 22.89% 降至 0.68%。AWS表示，训练采用了一个 epoch 和 128 的批次大小；所提供的文章内容没有列出完整的结果。
为什么重要
对于在 SageMaker AI 上构建搜索智能体的团队，AWS的结果表明，多轮微调或许能减少任务失败；不过，所提供的文章节选并未包含完整的基准测试结果或训练成本。
