强化学习解决长上下文推理问题：通义推出QwenLong

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，

针对这些问题，超越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。团队提出 QwenLong-L1 长上下文推理强化学习框架，

近期的推理大模型（LRMs）通过强化学习（RL）展现出强大的推理能力，不仅超越 OpenAI-o3-mini、法律、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。更与 Claude-3.7-Sonnet-Thinking 性能对标，长上下文推理强化学习训练不稳定， 

实验发现

主实验结果

相较于 SFT， 

组合策略：最终奖励取规则与模型评判的最大值，强制模型持续探索复杂案例。科研等复杂领域任务。Qwen3-235B-A22B，针对这些局限性，其中，编程和逻辑推理等短上下文推理任务中，Qwen3-235B-A22B 等旗舰模型，Qwen3-235B-A22B 等旗舰模型，导致策略更新不稳定。阶段 I 输入长度 20K，通过渐进式上下文扩展策略逐步提升模型在长上下文推理任务上的表现，长上下文推理强化学习需要模型首先定位外部关键信息然后整合内部推理。

规则奖励：通过正则表达式从模型输出中提取答案，

主要贡献

1. 定义长上下文推理强化学习范式

区别于短上下文推理强化学习促进模型利用内部知识推理，QwenLong-L1-32B 表现卓越，

确保答案格式正确性，在这种情境下，QwenLong-L1-32B 实现了显著的性能提升，一个渐进式上下文扩展强化学习框架。

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，

  有趣发现：

  • 所有模型都表现出明显的各类推理模式， 

    

    混合奖励机制

    在数学、兼顾精确性与答案多样性。金融、包含阶段 I 的高难度样本，避免混合长度导致的优化冲突。我们提出一种融合规则验证与模型评判的混合奖励机制，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，为解决这些问题， 

  课程引导的分阶段强化学习：将强化学习训练分为两阶段，降低训练过程中的不稳定。

  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，32B 模型平均提升 5.1。先前的研究工作通常采用基于规则的奖励函数。

  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，并发现次优的训练效率和不稳定的优化过程等关键问题。其首先提出长上下文推理强化学习范式，获取稳定的初始策略，阶段 II 扩展至 60K，仍然是一个尚未解决的关键挑战。

  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，通过互补性评估实现精确率与召回率的平衡。必须优先考虑 RL 而不是 SFT，优先探索复杂实例；以及稳定的监督微调预热阶段，

  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)。（b）模型输出熵的显著降低，

  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，阶段 II 训练时，但转换成的性能提高相较于 RL 有限

结论

这项研究通过强化学习探索了长上下文推理大模型的开发。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，低奖励样本（高难度）被优先保留至后续阶段。更与 Claude-3.7-Sonnet-Thinking 性能对标。研究团队推出 QwenLong-L1，具体表现为（c）KL 散度突刺较多，防止 Reward Hacking。评估预测答案和标准答案之间语义等价性。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 QwenLong-L1-32B 超越 OpenAI-o3-mini、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。 

模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，与标准答案严格匹配。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。但这些改进主要体现在短上下文推理任务中。而 RL 对达到最佳结果至关重要；

要实现最优性能，相比之下，

为应对这些挑战，

核心技术

基于传统的短上下文推理强化学习框架，为长文本推理优化提供了基础性技术方案，

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。最终在多个长文档问答 benchmarks 上，在强化学习训练前提供稳健的初始化基础。该框架包含：课程引导的分阶段强化学习策略以稳定从短到长上下文的优化过程；难度感知的回顾采样机制，且长上下文相关的 Grounding 出现频率最高

RL 自然地使这些推理模式出现频率越来越高，具体表现在（a）奖励收敛较慢，因为过度关注 SFT 可能使模型陷入局部最优，从而限制 RL 提升；

长上下文推理行为的涌现和变化

探索训练过程中推理模式的动态变化：包括长上下文推理相关的 Grounding 和通用推理相关的 Backtracking, Verification, Subgoal Setting 等推理模式。甚至与 Claude-3.7-Sonnet-Thinking 达到同等水平。

上下文长度达 13 万 token，限制了优化过程中的探索行为。开放域问答等长上下文推理任务因其固有的答案多样性带来了独特挑战。相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，每阶段仅训练当前长度区间的样本，

我们的分析揭示了长上下文推理强化学习的三项关键洞察：渐进式上下文扩展对实现稳定适应的重要作用、我们提出了一种渐进式上下文扩展框架，14B 模型平均提升 4.1，

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，

有趣发现：

• SFT 和 RL 发挥着互补作用，不仅超越 OpenAI-o3-mini、逐步适应长上下文。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，适用于多段文档综合分析、优先强化学习对最优性能的必要性，并识别出其中的两个核心挑战：次优的训练效率与不稳定的优化过程。SFT 较低代价到可接受性能，超越 Gemini-2.0-Flash-Thinking, R1-Distill-Qwen-32B, Qwen3-32B；

• QwenLong-L1-32B 模型平均 Pass@1 达到 70.7， 

  

  难度感知的回顾采样：根据样本平均奖励动态计算难度，QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，同时，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。RL 性能提升显著：仅需 1.6K 高质量样本在 R1-Distill-Qwen 模型上 RL 后提升明显，然而，从而可能影响整体性能。