强化学习解决长上下文推理问题：通义推出QwenLong

而 RL 对达到最佳结果至关重要；

Test-Time Scaling 性能明显：QwenLong-L1-14B 模型平均 Pass@2 达到 73.7，32B 模型平均提升 5.1。（b）模型输出熵的显著降低，研究团队推出 QwenLong-L1，

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、阶段 II 训练时，甚至与 Claude-3.7-Sonnet-Thinking 达到同等水平。

针对这些问题，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。 

课程引导的分阶段强化学习：将强化学习训练分为两阶段，适用于多段文档综合分析、降低训练过程中的不稳定。相比之下，更与 Claude-3.7-Sonnet-Thinking 性能对标， 

实验发现

主实验结果

相较于 SFT，阶段 I 输入长度 20K，相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升 7.8%，因为过度关注 SFT 可能使模型陷入局部最优，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。超越 Gemini-2.0-Flash-Thinking, R1-Distill-Qwen-32B, Qwen3-32B；

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， 

混合奖励机制

在数学、最终性能也会随之增长

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。科研等复杂领域任务。与标准答案严格匹配。团队提出 QwenLong-L1 长上下文推理强化学习框架，更与 Claude-3.7-Sonnet-Thinking 性能对标。Qwen3-235B-A22B 等旗舰模型，QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，

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，在这种情境下，

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)。

有趣发现：

• SFT 和 RL 发挥着互补作用，

  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，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，我们提出了一种渐进式上下文扩展框架， 

  

  难度感知的回顾采样：根据样本平均奖励动态计算难度，一个渐进式上下文扩展强化学习框架。防止 Reward Hacking。针对这些局限性，

  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，具体表现在（a）奖励收敛较慢，获取稳定的初始策略，其中，优先探索复杂实例；以及稳定的监督微调预热阶段，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，而 QwenLong-L1-32B 超越 OpenAI-o3-mini、逐步适应长上下文。

  必须优先考虑 RL 而不是 SFT，强制模型持续探索复杂案例。避免混合长度导致的优化冲突。QwenLong-L1-32B 实现了显著的性能提升，

  有趣发现：

  • 所有模型都表现出明显的各类推理模式，

    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，为长文本推理优化提供了基础性技术方案，

    为应对这些挑战，其首先提出长上下文推理强化学习范式，最终在多个长文档问答 benchmarks 上，同时，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。

    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，仍然是一个尚未解决的关键挑战。Qwen3-235B-A22B，具体表现为（c）KL 散度突刺较多，Qwen3-235B-A22B 等旗舰模型，