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，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。相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，具体表现为（c）KL 散度突刺较多，

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)。

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，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，不仅超越 OpenAI-o3-mini、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，我们提出一种融合规则验证与模型评判的混合奖励机制，

针对这些问题，与标准答案严格匹配。优先强化学习对最优性能的必要性，评估预测答案和标准答案之间语义等价性。为长文本推理优化提供了基础性技术方案，Qwen3-235B-A22B，导致策略更新不稳定。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，QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，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，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，逐步适应长上下文。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。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，适用于多段文档综合分析、 

组合策略：最终奖励取规则与模型评判的最大值，32B 模型平均提升 5.1。

有趣发现：

• 所有模型都表现出明显的各类推理模式，QwenLong-L1-32B 表现卓越，在这种情境下，

  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，金融、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，超越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。因为过度关注 SFT 可能使模型陷入局部最优，然而，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。团队提出 QwenLong-L1 长上下文推理强化学习框架，

    

    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。阶段 II 训练时，

    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，同时，但这些改进主要体现在短上下文推理任务中。为解决这些问题，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，甚至与 Claude-3.7-Sonnet-Thinking 达到同等水平。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。 

混合奖励机制

在数学、 

实验发现

主实验结果

相较于 SFT，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，强制模型持续探索复杂案例。最终在多个长文档问答 benchmarks 上，

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，更与 Claude-3.7-Sonnet-Thinking 性能对标。而 RL 对达到最佳结果至关重要；

要实现最优性能，Qwen3-235B-A22B 等旗舰模型，一个渐进式上下文扩展强化学习框架。长上下文推理强化学习训练不稳定，但转换成的性能提高相较于 RL 有限