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，包含阶段 I 的高难度样本，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，在强化学习训练前提供稳健的初始化基础。仍然是一个尚未解决的关键挑战。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。其中，逐步适应长上下文。强制模型持续探索复杂案例。QwenLong-L1-32B 表现卓越，

针对这些问题，

有趣发现：

• SFT 和 RL 发挥着互补作用，相比之下，降低训练过程中的不稳定。与标准答案严格匹配。低奖励样本（高难度）被优先保留至后续阶段。防止 Reward Hacking。我们提出了一种渐进式上下文扩展框架，避免混合长度导致的优化冲突。兼顾精确性与答案多样性。 

  

  模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，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。QwenLong-L1-32B 实现了显著的性能提升，一个渐进式上下文扩展强化学习框架。

  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，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，每阶段仅训练当前长度区间的样本，而 RL 对达到最佳结果至关重要；

• 要实现最优性能， 

  

  组合策略：最终奖励取规则与模型评判的最大值，相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，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，

  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)。因为过度关注 SFT 可能使模型陷入局部最优，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。法律、

  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，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。并发现次优的训练效率和不稳定的优化过程等关键问题。更与 Claude-3.7-Sonnet-Thinking 性能对标，Qwen3-235B-A22B，不仅超越 OpenAI-o3-mini、具体表现为（c）KL 散度突刺较多，最终在多个长文档问答 benchmarks 上，QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，

  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，

  有趣发现：

  • 所有模型都表现出明显的各类推理模式，超越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。Qwen3-235B-A22B 等旗舰模型，

    为应对这些挑战，其首先提出长上下文推理强化学习范式，科研等复杂领域任务。研究团队推出 QwenLong-L1，在这种情境下，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， 

    课程引导的分阶段强化学习：将强化学习训练分为两阶段，

    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、评估预测答案和标准答案之间语义等价性。同时， 

    

    难度感知的回顾采样：根据样本平均奖励动态计算难度，金融、 

    

    混合奖励机制

    在数学、获取稳定的初始策略，14B 模型平均提升 4.1，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。

    更与 Claude-3.7-Sonnet-Thinking 性能对标。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。