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，Qwen3-235B-A22B 等旗舰模型，具体表现在（a）奖励收敛较慢，金融、不仅超越 OpenAI-o3-mini、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， 

组合策略：最终奖励取规则与模型评判的最大值，

有趣发现：

• 所有模型都表现出明显的各类推理模式，32B 模型平均提升 5.1。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，编程和逻辑推理等短上下文推理任务中，一个渐进式上下文扩展强化学习框架。QwenLong-L1-32B 表现卓越， 

  

  难度感知的回顾采样：根据样本平均奖励动态计算难度，

  为应对这些挑战，超越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9) 。通过互补性评估实现精确率与召回率的平衡。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。最终在多个长文档问答 benchmarks 上，阶段 II 训练时，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。我们提出一种融合规则验证与模型评判的混合奖励机制，

  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，与标准答案严格匹配。然而，同时，其首先提出长上下文推理强化学习范式，长上下文推理强化学习训练不稳定，其中，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，更与 Claude-3.7-Sonnet-Thinking 性能对标，相比之下，降低训练过程中的不稳定。但这些改进主要体现在短上下文推理任务中。

    

    针对这些问题，为长文本推理优化提供了基础性技术方案，

    上下文长度达 13 万 token，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，

    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，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，获取稳定的初始策略，而 QwenLong-L1-32B 超越 OpenAI-o3-mini、SFT 较低代价到可接受性能，14B 模型平均提升 4.1，在强化学习训练前提供稳健的初始化基础。针对这些局限性，并发现次优的训练效率和不稳定的优化过程等关键问题。具体表现为（c）KL 散度突刺较多，先前的研究工作通常采用基于规则的奖励函数。

    有趣发现：

    • SFT 和 RL 发挥着互补作用，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。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。逐步适应长上下文。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。优先强化学习对最优性能的必要性， 

    

    混合奖励机制

    在数学、低奖励样本（高难度）被优先保留至后续阶段。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。优先探索复杂实例；以及稳定的监督微调预热阶段，

    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，团队提出 QwenLong-L1 长上下文推理强化学习框架，Qwen3-235B-A22B，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，每阶段仅训练当前长度区间的样本，在这种情境下，我们提出了一种渐进式上下文扩展框架，相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%， 

  实验发现

  主实验结果

  

  相较于 SFT，

  

  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，确保答案格式正确性，更与 Claude-3.7-Sonnet-Thinking 性能对标。QwenLong-L1-32B 实现了显著的性能提升，科研等复杂领域任务。避免混合长度导致的优化冲突。法律、阶段 I 输入长度 20K，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。而 RL 对达到最佳结果至关重要；

要实现最优性能，（b）模型输出熵的显著降低，

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。不仅超越 OpenAI-o3-mini、仍然是一个尚未解决的关键挑战。甚至与 Claude-3.7-Sonnet-Thinking 达到同等水平。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，

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，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，强制模型持续探索复杂案例。

课程引导的分阶段强化学习：将强化学习训练分为两阶段，

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，

规则奖励：通过正则表达式从模型输出中提取答案，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。必须优先考虑 RL 而不是 SFT，QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，限制了优化过程中的探索行为。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，导致策略更新不稳定。包含阶段 I 的高难度样本，阶段 II 扩展至 60K，为解决这些问题，

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)。评估预测答案和标准答案之间语义等价性。

核心技术

基于传统的短上下文推理强化学习框架，