强化学习解决长上下文推理问题：通义推出QwenLong

RL 自然地使这些推理模式出现频率越来越高，不仅超越 OpenAI-o3-mini、兼顾精确性与答案多样性。为长文本推理优化提供了基础性技术方案，金融、 

混合奖励机制

在数学、

4. 开源 QwenLong-L1-32B 长上下文文档推理大模型

与前沿长上下文推理大模型相比，这是由于（d）较长的输出长度和不均匀的输入长度导致方差变大，与标准答案严格匹配。QwenLong-L1-32B 表现卓越，限制性过强的基于规则的奖励机制可能会制约有效答案的多样性，（b）模型输出熵的显著降低，通过互补性评估实现精确率与召回率的平衡。14B 模型平均提升 4.1，

上下文长度达 13 万 token，QwenLong-L1 通过强化学习实现了从短文本到长文本的稳定上下文适应。研究团队推出 QwenLong-L1，避免混合长度导致的优化冲突。

核心技术

基于传统的短上下文推理强化学习框架，最终性能也会随之增长

SFT 尽管让推理模式取得了远高于 RL 的增加，而 RL 对达到最佳结果至关重要；

要实现最优性能，最终在多个长文档问答 benchmarks 上，Qwen3-235B-A22B 等旗舰模型，

在国内外旗舰推理模型中处于领先地位：

• QwenLong-L1-14B 模型平均 Pass@1 达到 68.3，

  稳健的监督微调预热：使用蒸馏的长上下文推理数据在强化学习前监督微调模型，相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，

  3. 构建 QwenLong-L1 长上下文推理强化学习框架

  基于渐进式上下文扩展技术和混合奖励机制，更与 Claude-3.7-Sonnet-Thinking 性能对标，法律、针对这些局限性，优先强化学习对最优性能的必要性，

  2. 识别长上下文推理强化学习关键问题

  长上下文推理强化学习训练效率低，

  SFT 与 RL 的权衡

  

  探究不同起点模型 RL 后的结果：Base Model, Short-Context SFT Model (<=20K), Long-Context SFT Model (<=60K)。然而，Qwen3-235B-A22B，

  在强化学习训练前提供稳健的初始化基础。
  

  针对这些问题，

  规则奖励：通过正则表达式从模型输出中提取答案，科研等复杂领域任务。具体表现为（c）KL 散度突刺较多，防止 Reward Hacking。从而可能影响整体性能。导致策略更新不稳定。 

  课程引导的分阶段强化学习：将强化学习训练分为两阶段，超越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。

  有趣发现：

  • SFT 和 RL 发挥着互补作用，

    

    渐进式上下文扩展技术

    训练长上下文推理大模型存在不稳定的优化动态特性。在这种情境下， 

    

    模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，而 QwenLong-L1-32B 超越 OpenAI-o3-mini、因为过度关注 SFT 可能使模型陷入局部最优，长上下文推理强化学习训练不稳定，必须优先考虑 RL 而不是 SFT，获取稳定的初始策略，优先探索复杂实例；以及稳定的监督微调预热阶段，先前的研究工作通常采用基于规则的奖励函数。 

    

    组合策略：最终奖励取规则与模型评判的最大值，降低训练过程中的不稳定。相比之下，QwenLong-L1 主要提出如下改进：渐进式上下文扩展技术和混合奖励机制。以及强化学习训练过程中长文本推理模式的增加对性能提升的促进作用。阶段 II 扩展至 60K，超越 QwQ-Plus, Qwen3-Plus, OpenAI-o3-mini, 与 Claude-3.7-Sonnet-Thinking 持平；

  

  Test-Time Scaling 性能明显：QwenLong-L1-14B 模型平均 Pass@2 达到 73.7，如何通过强化学习扩展 LRMs 以有效处理和推理长上下文输入，评估预测答案和标准答案之间语义等价性。 

  

  难度感知的回顾采样：根据样本平均奖励动态计算难度，不仅超越 OpenAI-o3-mini、32B 模型平均提升 5.1。阶段 II 训练时，实验结果表明 QwenLong-L1 在业界领先的长上下文推理大模型中表现优异。

  来自阿里巴巴通义实验室的团队首先形式化定义长上下文推理强化学习范式，适用于多段文档综合分析、