<aside> 💡
我们在 slime 上实现了 LLM 与 VLM 训练范式的真正统一。得益于优秀的解耦设计，开发者现在只需编写一套定制化的 rollout 函数，即可像训练 LLM 一样，轻松开启 VLM 的多轮强化学习（Agentic Multi-turn RL）。
</aside>
与传统的单次执行（Single-turn Inference）不同，Agentic VLM 的本质是连续交互。它不再是端到端地吐出一个“最终答案”，而是作为决策核心，在执行动作（Action）与感知环境（Observation）的往复循环中不断演进。每一次模型的输出都会对环境进行一次试探，而环境每一轮反馈又是为模型下一次采取行动提供更进一步的信息。这种与环境的多轮交互，是目前充满期待的 VLM 进化为真正智能体的必经之路。
例如大火的 Computer Use Agent 或具身智能场景下，模型不是一个孤立的对话机器人（chatbot），而是深嵌在环境链路中的思维引擎（thinking machine）。模型必须具备“审时度势”的能力：输出 Action 引起环境的状态变更（UI 状态、物理位移等），实时捕获环境以图片等丰富形式返回的 Observation，并在长上下文的持续滚动中完成复杂的推理。
这正是 slime 协同 Miles 社区在 VLM Agentic Training 中致力攻克的核心场景。得益于其在 LLM Multi-turn Training 阶段就完成的优雅设计，用户仅需通过 --rollout-function-path 参数，即可传入为 VLM Agent 设计的交互逻辑，无缝衔接“自主生成 → 环境交互 → 多模态观测回传 → 迭代推理”的完整链路。我们保持对 Agentic Multi-Turn RL 一贯的设计哲学：极致解耦，Rollout 逻辑不与任何特定数据集格式或交互协议强绑定，“环境如何解析 Action、如何执行工具、如何反馈 Observation”完全由用户自由决定，为 Agent 的无限演进保留绝对的自由。
正如我们反复强调的那样，从第一性原理出发，任何 multi-turn 训练本质上只需要定义采样与交互逻辑即可。
具体来说，slime 的 LLM Multi-Turn Training（e.g. Search-R1 ）通过自定义采样（generate 函数），让模型在每一轮根据当前上下文生成动作指令，实时捕获环境观测（Observation）并将其增量注入上下文，直至模型决定返回结论或者超出上下文限制长度。得到完整的 trajectory 后，再通过正确的 loss mask 来区分模型输出的动作指令与环境反馈信息。
VLM 与 LLM 的多轮采样并无本质区别，只需要在在每一轮交互中额外维护并拼接多模态的上下文信息。我们将 environment 与 rollout 明确解耦，“环境如何解析 Action”等等设计完全独立于采样与训练之外，提升了可复用性与可扩展性。
Sample 提取 prompt 和多模态输入，完成首轮编码并初始化 sample.tokens, image_data, multimodal_train_inputs_buffer 等等，为后续的多轮循环提供初始化的上下文。