Hugging Face 开源跨多个智能体框架训练的工具

概述

Hugging Face 提供了一种方法，能让强化学习同时在多个智能体框架上跑。

研究人员发现，同样一组模型权重在不同框架里跑出来的分数可能差很多，所以框架本身也得当成环境的一部分。他们做了一个代理层，放在模型和 OpenAI、Anthropic、Gemini 的 API 中间，能直接拿到令牌 ID 和对数概率，不用改 Claude 或 Codex 那些。

Liquid AI 的 LFM2.5-2.6B 在四个框架上训练后，成功率从 42% 升到 54%，工具调用次数还少了 31%。代理层、训练器、任务、数据、代码和七个训练好的模型都已经公开。

分析

现在训练得同时考虑模型和框架，因为工具模式、编排方式和执行反馈都会改变结果。在多个框架上训练的模型，比只针对一个框架调的模型适应新环境的能力更强。只在 OpenCode 上训练，能把那个框架的成绩从 34% 提到 58%，但多框架版本在所有框架上都有进步。用 Qwen3.8-27B 生成的轨迹做模仿学习，效果还不如让目标模型自己探索、拿到真实任务反馈。

把捕获层和训练代码开源后，开放模型团队就能直接训练智能体，要么针对某个框架优化，要么在多个框架里保持稳定。这也给闭源服务商提高了门槛，跨框架测试成了常规检查项。

影响评估

对开放人工智能研究来说，技术影响比较大。