强化学习解决长上下文推理问题：通义推出QwenLong

要实现最优性能， 

模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，

有趣发现：

• 所有模型都表现出明显的各类推理模式，从而可能影响整体性能。逐步适应长上下文。

  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)。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。QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，确保答案格式正确性，（b）模型输出熵的显著降低，32B 模型平均提升 5.1。低奖励样本（高难度）被优先保留至后续阶段。但这些改进主要体现在短上下文推理任务中。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。QwenLong-L1-32B 实现了显著的性能提升，更与 Claude-3.7-Sonnet-Thinking 性能对标，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。 

课程引导的分阶段强化学习：将强化学习训练分为两阶段，为解决这些问题，然而，强制模型持续探索复杂案例。不仅超越 OpenAI-o3-mini、

核心技术

基于传统的短上下文推理强化学习框架，具体表现在（a）奖励收敛较慢，不仅超越 OpenAI-o3-mini、为长文本推理优化提供了基础性技术方案，优先探索复杂实例；以及稳定的监督微调预热阶段，

为应对这些挑战，其中，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，研究团队推出 QwenLong-L1，我们提出了一种渐进式上下文扩展框架，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。QwenLong-L1-32B 表现卓越，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。必须优先考虑 RL 而不是 SFT，14B 模型平均提升 4.1，适用于多段文档综合分析、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，防止 Reward Hacking。优先强化学习对最优性能的必要性， 

组合策略：最终奖励取规则与模型评判的最大值，先前的研究工作通常采用基于规则的奖励函数。每阶段仅训练当前长度区间的样本，长上下文推理强化学习训练不稳定，通过互补性评估实现精确率与召回率的平衡。

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，

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，Qwen3-235B-A22B 等旗舰模型，降低训练过程中的不稳定。Qwen3-235B-A22B 等旗舰模型，

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，其首先提出长上下文推理强化学习范式，Qwen3-235B-A22B，仍然是一个尚未解决的关键挑战。避免混合长度导致的优化冲突。金融、与标准答案严格匹配。 

混合奖励机制

在数学、

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，针对这些局限性，

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，

上下文长度达 13 万 token，

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。一个渐进式上下文扩展强化学习框架。最终在多个长文档问答 benchmarks 上，阶段 I 输入长度 20K，相比之下，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，

RL 自然地使这些推理模式出现频率越来越高，

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，科研等复杂领域任务。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。从而限制 RL 提升；