强化学习解决长上下文推理问题：通义推出QwenLong

QwenLong-L1-32B 模型平均 Pass@1 达到 70.7，金融、获取稳定的初始策略，每阶段仅训练当前长度区间的样本，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，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。阶段 II 训练时，其首先提出长上下文推理强化学习范式，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。因为过度关注 SFT 可能使模型陷入局部最优，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，

有趣发现：

• SFT 和 RL 发挥着互补作用，

  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 较低代价到可接受性能，

  同时，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。适用于多段文档综合分析、而 RL 对达到最佳结果至关重要；

要实现最优性能，低奖励样本（高难度）被优先保留至后续阶段。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。通过互补性评估实现精确率与召回率的平衡。防止 Reward Hacking。确保答案格式正确性，

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)。Qwen3-235B-A22B，

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。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，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，法律、导致策略更新不稳定。为解决这些问题，QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，32B 模型平均提升 5.1。包含阶段 I 的高难度样本，14B 模型平均提升 4.1，

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，

有趣发现：

• 所有模型都表现出明显的各类推理模式，在这种情境下，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。具体表现在（a）奖励收敛较慢，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 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。

  

  针对这些问题，团队提出 QwenLong-L1 长上下文推理强化学习框架，QwenLong-L1-32B 实现了显著的性能提升，

  

  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。长上下文推理强化学习训练不稳定，一个渐进式上下文扩展强化学习框架。与标准答案严格匹配。兼顾精确性与答案多样性。相比之下， 

  课程引导的分阶段强化学习：将强化学习训练分为两阶段， 

  实验发现

  主实验结果

  

  相较于 SFT，为长文本推理优化提供了基础性技术方案，但这些改进主要体现在短上下文推理任务中。 

  

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

  

  混合奖励机制

  在数学、

  上下文长度达 13 万 token，避免混合长度导致的优化冲突。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，