本文介绍了小米与北京大学联合提出的ARL-Tangram系统，该系统通过动作级编排和统一资源管理，有效解决了智能体强化学习在云资源利用上的低效问题。ARL-Tangram实现了细粒度的外部资源共享与弹性调度，显著提升了资源利用率，将平均动作完成时间缩短4.3倍，强化学习训练步长加速1.5倍，外部资源节省71.2%。该系统已成功应用于小米MiMo系列大模型的训练，为开发者提供了一种高效的资源管理方案。

智能体强化学习（Agentic RL）已成为云集群核心负载，支撑 LLM 通过外部工具交互解决复杂问题，然而，与传统强化学习不同，智能体强化学习需要大量外部云资源，例如用于代码执行的CPU和用于奖励模型的GPU，这些资源都位于主要训练集群之外。现有的智能体强化学习框架通常依赖静态过度配置，即资源往往与长生命周期轨迹绑定或按任务隔离，导致严重的资源效率低下问题。

为此，小米罗福莉团队联合北京大学提出**动作级编排（action-level orchestration）**并构建统一资源管理系统 ARL-Tangram，能够实现细粒度的外部资源共享与弹性调度。ARL-Tangram采用统一的动作级表征与弹性调度算法，在满足异构资源约束的同时，最小化动作完成时间。此外，系统还定制了异构资源管理器，以高效支持在具有不同特性与拓扑结构的资源上执行动作级任务。在实际智能体强化学习任务上的评估表明，ARL-Tangram将平均动作完成时间（ACT）最多提升达 4.3×，强化学习训练步长加速 1.5×，外部资源节省 71.2%。该系统目前已部署，用于支持小米 MiMo 系列大模型的训练。

• 论文标题：

  ARL-Tangram: Unleash the Resource Efficiency in Agentic Reinforcement Learning

• 论文链接：

  https://arxiv.org/pdf/2603.13019

1、方法

为解决现有的强化学习框架在外部资源管理上的低效问题，研究团队提出了动作级调度（action-level scheduling），将外部资源管理的粒度从原来的轨迹级或任务级转变为更细粒度的动作级，即原子调用级别。将长生命周期环境/服务的资源占用进行拆解，并将相同资源类型的动作所需资源汇聚成池。此外，该细粒度资源管理支持弹性资源分配，以降低动作的执行延迟。

如图 1 所示，在两个 RL 任务和 4 个调用同类外部资源的轨迹上，与现有方法相比，动作级调度通过缓解过度配置减少了外部资源需求，并通过弹性资源分配加快了rollout速度。

然而，实现动作级调度并非易事，主要原因有三点：

• 首先，编排各种外部资源的动作非常复杂。单个动作可能需要多种资源类型，而各个动作不同的弹性和执行模式进一步加剧了这种复杂性，这就需要一种通用的抽象模型。
• 其次，调度器必须在延迟敏感的工作负载下运行。留给调度决策的时间窗口极短，这需要一种轻量级算法，能够处理高并发和突发的工作负载。
• 最后，如何统一且高效地管理具有不同特性和拓扑结构的异构外部资源也是一大挑战。

因此，研究团队设计了动作级资源管理系统ARL-Tangram（Agentic Reinforcement Learning Tangram），旨在对所有外部资源调用进行统一编排。

该系统首先通过统一动作表征（unified action formulation）管理具备异构资源需求与成本的各类动作，将每个动作转化为向量化的资源成本表示，该向量涵盖了 CPU、GPU、内存及 API 配额等各类资源约束。

关键在于，这一表征方式融入了弹性建模（elasticity modeling），使系统能够有效区分弹性动作，并计算出为动作分配更多资源时的执行时间降幅。

这种标准化的表征方式，让 ARL-Tangram 可将不同类型的动作统一为标准化格式，从而实现高效调度。

ARL-Tangram 的核心是弹性资源调度算法，其设计目标为最小化动作完成时间（Action Completion Time, ACT）。研究团队发现，缩短动作执行时间能够提升智能体强化学习（RL）训练的端到端效率，因此基于上述动作表征方法与系统实时状态，设计了一种启发式调度算法，该算法内置贪婪驱逐机制（greedy eviction mechanism），可动态制定调度策略，避免了因分配过于激进或保守，而导致次优的 ACT 和强化学习训练效率下降。

ARL-Tangram 是一款独立部署的系统，不依赖于特定的强化学习（RL）框架、外部调用类型及外部资源类型。这一设计使其能够适配各类外部资源，且可跨不同 RL 框架运行，兼具良好的通用性与易用性。

2、评估

图6展示了在不同工作负载下，随着强化学习训练的推进，连续小时间窗口内的平均动作完成时间（ACT）变化。观察发现，ARL-Tangram下的ACT始终低于基线方法。这一结果表明，在相同外部资源条件下，ARL-Tangram能更有效地处理突发性工作负载，通过缓解过度配置和提升外部资源利用率来降低ACT。

研究团队进一步报告了10个强化学习训练步骤的平均时长（简称步骤时长），以此说明ARL-Tangram对端到端训练效率的提升作用。AI Coding与DeepSearch的步骤时长均显著下降，分别提升了1.4×和1.5×。

图7详细展示了轨迹时长的分解情况，进一步说明了ARL-Tangram在外部调用方面带来的改进。在AI Coding任务中，环境交互时长与奖励计算时长均显著减少，分别降低了 9.0×和 2.8×，总体降低了 4.3×。

图8(b)右侧进一步突出了ARL-Tangram在固定批次大小（batch size）为1024的情况下降低外部资源成本的优势。ARL-Tangram仅需使用过度配置（over-provisioned）基线系统所需GPU数量的 29%，即可支持10个奖励服务，并实现相同的行动完成时间（ACT）。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

---

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】