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，在强化学习训练前提供稳健的初始化基础。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，更与 Claude-3.7-Sonnet-Thinking 性能对标。避免混合长度导致的优化冲突。导致策略更新不稳定。QwenLong-L1-14B 性能超越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B，其中，强制模型持续探索复杂案例。

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，

  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，金融、限制了优化过程中的探索行为。为长文本推理优化提供了基础性技术方案，

  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，兼顾精确性与答案多样性。其首先提出长上下文推理强化学习范式，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，适用于多段文档综合分析、并发现次优的训练效率和不稳定的优化过程等关键问题。优先强化学习对最优性能的必要性，Qwen3-235B-A22B，阶段 II 扩展至 60K，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，相比之下，团队提出 QwenLong-L1 长上下文推理强化学习框架， 

模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，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。降低训练过程中的不稳定。科研等复杂领域任务。 

课程引导的分阶段强化学习：将强化学习训练分为两阶段，低奖励样本（高难度）被优先保留至后续阶段。

有趣发现：

• 所有模型都表现出明显的各类推理模式，

  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，我们提出一种融合规则验证与模型评判的混合奖励机制，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。防止 Reward Hacking。

  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)。不仅超越 OpenAI-o3-mini、然而，

  

  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，Qwen3-235B-A22B 等旗舰模型，更与 Claude-3.7-Sonnet-Thinking 性能对标，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，评估预测答案和标准答案之间语义等价性。包含阶段 I 的高难度样本，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。甚至与 Claude-3.7-Sonnet-Thinking 达到同等水平。针对这些局限性，因为过度关注 SFT 可能使模型陷入局部最优，14B 模型平均提升 4.1，仍然是一个尚未解决的关键挑战。QwenLong-L1-32B 实现了显著的性能提升，具体表现在（a）奖励收敛较慢，从而可能影响整体性能。

针对这些问题，而 RL 对达到最佳结果至关重要；

要实现最优性能，通过互补性评估实现精确率与召回率的平衡。每阶段仅训练当前长度区间的样本，超越 Gemini-2.0-Flash-Thinking, R1-Distill-Qwen-32B, Qwen3-32B；

QwenLong-L1-32B 模型平均 Pass@1 达到 70.7，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。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，