MCP-Universe RL: A Framework for Training MCP Tool-Use Agents via Reinforcement Learning

MCP-U RL 用 MCP 作为环境接口，让现有工具服务器无需编写 RL 专用胶水即可加入训练；环境层负责在可插拔容器后端配置、隔离与回收数百条轨迹。分阶段 rollout 流水线在长回合等待慢工具时重叠其他 episode，以维持 GPU 利用率，训练后端则接 veRL 或 slime。作者只改任务规格，就用 gpt-oss-20b 在软件工程、深度研究与通用工具三类任务上均提高奖励，系统贡献重于提出新的策略更新算法。