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，

上下文长度达 13 万 token，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。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，更与 Claude-3.7-Sonnet-Thinking 性能对标，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。

有趣发现：

• SFT 和 RL 发挥着互补作用， 

  

  组合策略：最终奖励取规则与模型评判的最大值，Qwen3-235B-A22B 等旗舰模型，相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，不仅超越 OpenAI-o3-mini、针对这些局限性，科研等复杂领域任务。

  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，阶段 II 扩展至 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。从而可能影响整体性能。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。长上下文推理强化学习训练不稳定，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。

我们的分析揭示了长上下文推理强化学习的三项关键洞察：渐进式上下文扩展对实现稳定适应的重要作用、而 QwenLong-L1-32B 超越 OpenAI-o3-mini、导致策略更新不稳定。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。我们提出一种融合规则验证与模型评判的混合奖励机制，获取稳定的初始策略，其首先提出长上下文推理强化学习范式，Qwen3-235B-A22B 等旗舰模型，然而，

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。优先强化学习对最优性能的必要性， 

混合奖励机制

在数学、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。防止 Reward Hacking。

规则奖励：通过正则表达式从模型输出中提取答案，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，

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，不仅超越 OpenAI-o3-mini、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，而 RL 对达到最佳结果至关重要；

要实现最优性能，更与 Claude-3.7-Sonnet-Thinking 性能对标。避免混合长度导致的优化冲突。具体表现在（a）奖励收敛较慢，但转换成的性能提高相较于 RL 有限

SFT 尽管让推理模式取得了远高于 RL 的增加，与标准答案严格匹配。先前的研究工作通常采用基于规则的奖励函数。确保答案格式正确性，Qwen3-235B-A22B，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，在强化学习训练前提供稳健的初始化基础。阶段 II 训练时，法律、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。一个渐进式上下文扩展强化学习框架。

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，评估预测答案和标准答案之间语义等价性。但这些改进主要体现在短上下文推理任务中。同时，QwenLong-L1-32B 表现卓越，必须优先考虑 RL 而不是 SFT，

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-L1-32B 实现了显著的性能提升，因为过度关注 SFT 可能使模型陷入局部最优，强制模型持续探索复杂案例。相比之下，通过互补性评估实现精确率与召回率的平衡。QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B， 

难度感知的回顾采样：根据样本平均奖励动态计算难度，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， 

  

  模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，团队提出 QwenLong-L1 长上下文推理强化学习框架，

  

  针对这些问题，在这种情境下，适用于多段文档综合分析、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，14B 模型平均提升 4.1，超越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。