LMSYS Blog称，团队使用Miles、SGLang、Megatron-LM和Harbor，在AMD Instinct MI355X上以全异步agentic RL训练Qwen3-30B-A3B-Instruct编程智能体。在训练团队自行完成的SWE-bench Verified分层100任务子集上，经监督微调和agentic RL后，pass@1从7.3%升至27.5%。系统将推理与训练节点分离，将轨迹限制在64K token，并把沙箱迁移至E2B云microVM，从而支持384条并发轨迹和约每小时3,480条轨迹。