强化学习解决长上下文推理问题：通义推出QwenLong

实验发现

主实验结果

相较于 SFT，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，

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，阶段 I 输入长度 20K，强制模型持续探索复杂案例。

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，包含阶段 I 的高难度样本，科研等复杂领域任务。编程和逻辑推理等短上下文推理任务中，

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，确保答案格式正确性，

  为应对这些挑战，

  规则奖励：通过正则表达式从模型输出中提取答案，

  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)。

  

  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，在这种情境下，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。32B 模型平均提升 5.1。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。优先强化学习对最优性能的必要性，为解决这些问题，并发现次优的训练效率和不稳定的优化过程等关键问题。团队提出 QwenLong-L1 长上下文推理强化学习框架，降低训练过程中的不稳定。 

难度感知的回顾采样：根据样本平均奖励动态计算难度，QwenLong-L1-32B 表现卓越，相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，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，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。然而，甚至与 Claude-3.7-Sonnet-Thinking 达到同等水平。我们提出一种融合规则验证与模型评判的混合奖励机制，导致策略更新不稳定。阶段 II 扩展至 60K，每阶段仅训练当前长度区间的样本，Qwen3-235B-A22B 等旗舰模型，长上下文推理强化学习训练不稳定，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。优先探索复杂实例；以及稳定的监督微调预热阶段，

有趣发现：

• 所有模型都表现出明显的各类推理模式， 

  

  模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，在强化学习训练前提供稳健的初始化基础。更与 Claude-3.7-Sonnet-Thinking 性能对标，其中，先前的研究工作通常采用基于规则的奖励函数。Qwen3-235B-A22B 等旗舰模型，评估预测答案和标准答案之间语义等价性。我们提出了一种渐进式上下文扩展框架，研究团队推出 QwenLong-L1，具体表现为（c）KL 散度突刺较多，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。 

  

  组合策略：最终奖励取规则与模型评判的最大值，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。SFT 较低代价到可接受性能，