#agent训练

agent 训练贵，先给环境排个课表

agent 强化学习的开销大头在 rollout。论文提出的在线调度器按奖励方差与覆盖度给任务排批，Qwen3-8B 上 40 步的训练效果超过随机选任务 120 步，文中拆解其调度逻辑与落地清单。