中国团队开源 ROME 智能体训练生态
先了解这件事
2026 年 10 月 6 日，AGI Hunt 报道中国研究团队发布论文并开源 ROME + ALE（Agentic Learning Ecosystem），走“先建生态再训模型”路线，给出从基础设施到模型的完整智能体训练方案。方案含三部分：ROLL 是支持异步训练与 rollout 多路复用的 RL 训练框架，ROCK 是沙箱执行引擎、可支撑 1 万+ 并发沙箱环境，iFlow CLI 负责智能体编排并保证训练与部署一致性。配套 ROME 模型为 30B 总参数、3B 激活的稀疏结构，SWE-bench Verified 57.4%、Terminal-Bench 2.0 24.7%，作者称其在真实编码任务上追平 480B+ 模型。早先报道称团队同期发布零污染评测 Terminal-Bench Pro，新报道给出的却是 Terminal-Bench 2.0 成绩。新增报道未披露其他进展，公开成果仍为论文与开源代码。
AI 根据报道生成 · 2 小时前更新
事件进展
- 10月6日 16:00 · 2 篇报道ROME 基建详解：万级并发沙箱与训练部署一致性AGI Hunt：ROME 模型先行搭建 ROLL/ROCK/iFlow 全套智能体基础设施
- 10月6日 16:00 · 3 篇报道中国团队开源ROME智能体训练生态AGI Hunt：中国团队开源 ROME+ALE 智能体生态，30B 稀疏模型对标 480B
报道时间线
沿着报道，了解事件的不同侧面。
- AGI HuntROME 基建详解：万级并发沙箱与训练部署一致性
ROME 的基础设施由 ROCK、ROLL 和 iFlow CLI 三部分组成：ROCK 支持 10,000+ 并发沙箱环境，ROLL 负责异步训练-rollout 多路复用，iFlow CLI 保证训练与部署一致性。其结论是生产级 AI agent 的关键不在 prompt 工程或模型规模，而在基础设施、验证数据和正规 RL 算法。
- AGI HuntROME 智能体基准成绩公布：30B 模型以 3B 激活参数打平 480B+ 模型
ROME 公布智能体基准成绩：SWE-bench Verified 57.4%、Terminal-Bench 2.0 24.7%，该模型总参数 30B、激活参数仅 3B，属稀疏激活。作者称这个 30B 模型在真实编码任务上追平 480B+ 模型，挑战了「智能体能力靠堆规模」的普遍认知。
- AGI HuntROME 模型先行搭建 ROLL/ROCK/iFlow 全套智能体基础设施
中国团队开源的 ROME + ALE 项目走先建生态再训模型的路线，搭建了 ROLL、ROCK 和 iFlow CLI 三套智能体基础设施。其中 ROLL 是支持异步训练与 rollout 多路复用的 RL 训练框架，ROCK 是沙箱执行引擎、可支撑 1 万+ 并发沙箱环境，iFlow CLI 负责智能体编排并保证训练与部署一致性。
- AGI Hunt中国团队开源 ROME 智能体生态，直指 agent 创业公司根基
中国研究团队发布论文并开源 ROME + ALE（Agentic Learning Ecosystem），给出从基础设施到模型的完整智能体训练方案。方案包含 ROLL 训练框架、ROCK 沙箱引擎和 iFlow CLI 编排系统，模型为 30B 总参/3B 激活，SWE-bench Verified 57.4%。团队同期发布零污染评测 Terminal-Bench Pro。
- AGI Hunt中国团队开源 ROME+ALE 智能体生态，30B 稀疏模型对标 480B
中国研究团队发布论文并开源 ROME+ALE（Agentic Learning Ecosystem）智能体学习生态，给出从基础设施到模型的完整训练方案。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。