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 与向量检索工具间自主决策。MTRL 支持 PPO、CISPO、IS 损失与 GRPO 等优势估计器，采用无服务器按 token 计费，并可在 MLflow 中逐轮观测轨迹与奖励。