人大高瓴等机构长程 Agent RL 训练配方研究：Muon 优化器 + 单 rollout 异步学习提升仓库级解题成功率

人大高瓴、杜克、中科院等机构提出长程 Agent RL 的 single-rollout 异步训练配方，无需等同一问题的多条轨迹即可更新策略，在两个模型家族的仓库级 issue 解决任务上训练成功率高于基线。完整配方为 Muon 优化器 + token 平均损失 + 截断重要性采样，并加入长度与工具错误辅助惩罚。研究还对比了优化器选择与各配方组件的效果。