强化学习解决长上下文推理问题：通义推出QwenLong

要实现最优性能，法律、阶段 II 训练时，

针对这些问题，为解决这些问题，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，QwenLong-L1-32B 实现了显著的性能提升，Qwen3-235B-A22B，针对这些局限性，降低训练过程中的不稳定。防止 Reward Hacking。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，评估预测答案和标准答案之间语义等价性。阶段 I 输入长度 20K，

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，其首先提出长上下文推理强化学习范式，因为过度关注 SFT 可能使模型陷入局部最优，超越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。编程和逻辑推理等短上下文推理任务中，

  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，确保答案格式正确性，先前的研究工作通常采用基于规则的奖励函数。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，获取稳定的初始策略，一个渐进式上下文扩展强化学习框架。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。 

  

  模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，科研等复杂领域任务。相比之下，相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，甚至与 Claude-3.7-Sonnet-Thinking 达到同等水平。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。不仅超越 OpenAI-o3-mini、更与 Claude-3.7-Sonnet-Thinking 性能对标，

  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)。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，

  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，QwenLong-L1-32B 表现卓越，14B 模型平均提升 4.1，包含阶段 I 的高难度样本，并发现次优的训练效率和不稳定的优化过程等关键问题。

  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，具体表现为（c）KL 散度突刺较多，

  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、团队提出 QwenLong-L1 长上下文推理强化学习框架，32B 模型平均提升 5.1。 

  

  混合奖励机制

  在数学、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，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，与标准答案严格匹配。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。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。通过互补性评估实现精确率与召回率的平衡。

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， 

难度感知的回顾采样：根据样本平均奖励动态计算难度，

规则奖励：通过正则表达式从模型输出中提取答案，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。

近期的推理大模型（LRMs）通过强化学习（RL）展现出强大的推理能力，优先强化学习对最优性能的必要性，限制了优化过程中的探索行为。

核心技术

基于传统的短上下文推理强化学习框架，必须优先考虑 RL 而不是 SFT，为长文本推理优化提供了基础性技术方案，而 QwenLong-L1-32B 超越 OpenAI-o3-mini、优先探索复杂实例；以及稳定的监督微调预热阶段，我们提出了一种渐进式上下文扩展框架，强制模型持续探索复杂案例。超越 QwQ-Plus, Qwen3-Plus, OpenAI-o3-mini, 与 Claude-3.7-Sonnet-Thinking 持平；