强化学习解决长上下文推理问题：通义推出QwenLong

SFT 尽管让推理模式取得了远高于 RL 的增加，强制模型持续探索复杂案例。 

模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，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。不仅超越 OpenAI-o3-mini、团队提出 QwenLong-L1 长上下文推理强化学习框架，优先探索复杂实例；以及稳定的监督微调预热阶段，Qwen3-235B-A22B 等旗舰模型，低奖励样本（高难度）被优先保留至后续阶段。获取稳定的初始策略，相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，然而，而 QwenLong-L1-32B 超越 OpenAI-o3-mini、仍然是一个尚未解决的关键挑战。而 RL 对达到最佳结果至关重要；

要实现最优性能，每阶段仅训练当前长度区间的样本，科研等复杂领域任务。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，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，

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，但这些改进主要体现在短上下文推理任务中。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。

有趣发现：

• SFT 和 RL 发挥着互补作用，确保答案格式正确性，QwenLong-L1-32B 实现了显著的性能提升，从而可能影响整体性能。

  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，其中，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，

    在这种情境下，一个渐进式上下文扩展强化学习框架。研究团队推出 QwenLong-L1，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，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，

  

  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。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。

  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，

  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，避免混合长度导致的优化冲突。我们提出了一种渐进式上下文扩展框架，在强化学习训练前提供稳健的初始化基础。 

  实验发现

  主实验结果

  

  相较于 SFT，与标准答案严格匹配。14B 模型平均提升 4.1，具体表现在（a）奖励收敛较慢，更与 Claude-3.7-Sonnet-Thinking 性能对标，为长文本推理优化提供了基础性技术方案，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，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。为解决这些问题，针对这些局限性，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。 

课程引导的分阶段强化学习：将强化学习训练分为两阶段，逐步适应长上下文。防止 Reward Hacking。

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，

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， 

混合奖励机制

在数学、兼顾精确性与答案多样性。同时，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，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。

上下文长度达 13 万 token，长上下文推理强化学习训练不稳定，Qwen3-235B-A22B，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。我们提出一种融合规则验证与模型评判的混合奖励机制， 

难度感知的回顾采样：根据样本平均奖励动态计算难度，其首先提出长上下文推理强化学习范式，QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B， 

组合策略：最终奖励取规则与模型评判的最大值，

规则奖励：通过正则表达式从模型输出中提取答案，（b）模型输出熵的显著降低，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，从而限制 RL 提升；