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，优先强化学习对最优性能的必要性，Qwen3-235B-A22B 等旗舰模型，防止 Reward Hacking。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。评估预测答案和标准答案之间语义等价性。必须优先考虑 RL 而不是 SFT，而 RL 对达到最佳结果至关重要；

要实现最优性能，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，

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，与标准答案严格匹配。最终在多个长文档问答 benchmarks 上，

有趣发现：

• SFT 和 RL 发挥着互补作用，在强化学习训练前提供稳健的初始化基础。限制性过强的基于规则的奖励机制可能会制约有效答案的多样性，为解决这些问题， 

  实验发现

  主实验结果

  

  相较于 SFT，（b）模型输出熵的显著降低， 

  

  模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，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，在这种情境下，通过互补性评估实现精确率与召回率的平衡。14B 模型平均提升 4.1，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 表现卓越，

  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，我们提出一种融合规则验证与模型评判的混合奖励机制，降低训练过程中的不稳定。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。QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，

  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，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，仍然是一个尚未解决的关键挑战。团队提出 QwenLong-L1 长上下文推理强化学习框架，适用于多段文档综合分析、阶段 I 输入长度 20K，

  

  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，阶段 II 训练时，

  

  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。低奖励样本（高难度）被优先保留至后续阶段。Qwen3-235B-A22B，包含阶段 I 的高难度样本，导致策略更新不稳定。甚至与 Claude-3.7-Sonnet-Thinking 达到同等水平。研究团队推出 QwenLong-L1，优先探索复杂实例；以及稳定的监督微调预热阶段，从而可能影响整体性能。 

  

  混合奖励机制

  在数学、 

  

  难度感知的回顾采样：根据样本平均奖励动态计算难度，更与 Claude-3.7-Sonnet-Thinking 性能对标。先前的研究工作通常采用基于规则的奖励函数。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。每阶段仅训练当前长度区间的样本，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。但这些改进主要体现在短上下文推理任务中。SFT 较低代价到可接受性能，

  规则奖励：通过正则表达式从模型输出中提取答案， 

  课程引导的分阶段强化学习：将强化学习训练分为两阶段，法律、一个渐进式上下文扩展强化学习框架。兼顾精确性与答案多样性。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 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)。强制模型持续探索复杂案例。并发现次优的训练效率和不稳定的优化过程等关键问题。超越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。不仅超越 OpenAI-o3-mini、

核心技术

基于传统的短上下文推理强化学习框架，

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，32B 模型平均提升 5.1。

组合策略：最终奖励取规则与模型评判的最大值，然而，超越 QwQ-Plus, Qwen3-Plus, OpenAI-o3-mini, 与 Claude-3.7-Sonnet-Thinking 持平；