**ProRLエージェント：多ターンLLMエージェントの強化学習トレーニングのためのRollout-as-a-Service**

要旨

マルチターンLLMエージェントは、複雑な対話型タスクを解決する上で重要性を増しており、強化学習（RL）はその長期的な行動を改善するための重要な要素である。しかし、RLトレーニングには大量のサンドボックス化されたロールアウト軌道の生成が必要であり、既存のインフラストラクチャでは、ロールアウトのオーケストレーションとトレーニングループが密結合されていることが多く、システムの移行や保守を困難にしている。我々は、ロールアウト・アズ・ア・サービスの理念の下、APIサービスを通じて完全なエージェント的ロールアウトライフサイクルを提供するスケーラブルなインフラストラクチャ「ProRL Agent」を提案する。ProRL Agentはまた、ルートレスHPC環境下で多様なエージェント的タスクをサポートする、標準化され拡張可能なサンドボックス環境を提供する。ソフトウェアエンジニアリング、数学、STEM、コーディングタスクにおけるRLトレーニングを通じてProRL Agentを検証する。ProRL Agentはオープンソース化され、NVIDIA NeMo Gymの一部として統合されている。

English

Multi-turn LLM agents are increasingly important for solving complex, interactive tasks, and reinforcement learning (RL) is a key ingredient for improving their long-horizon behavior. However, RL training requires generating large numbers of sandboxed rollout trajectories, and existing infrastructures often couple rollout orchestration with the training loop, making systems hard to migrate and maintain. Under the rollout-as-a-service philosophy, we present ProRL Agent , a scalable infrastructure that serves the full agentic rollout lifecycle through an API service. ProRL Agent also provides standardized and extensible sandbox environments that support diverse agentic tasks in rootless HPC settings. We validate ProRL Agent through RL training on software engineering, math, STEM, and coding tasks. ProRL Agent is open-sourced and integrated as part of NVIDIA NeMo Gym.

ProRLエージェント：多ターンLLMエージェントの強化学習トレーニングのためのRollout-as-a-Service

ProRL Agent: Rollout-as-a-Service for RL Training of Multi-Turn LLM Agents

要旨

Support