上下文长度达 13 万 token，适用于多段文档综合分析、金融、法律、科研等复杂领域任务。
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，但这些改进主要体现在短上下文推理任务中。相比之下，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，仍然是一个尚未解决的关键挑战。
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，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
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，长上下文推理强化学习需要模型首先定位外部关键信息然后整合内部推理
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，（b）模型输出熵的显著降低，限制了优化过程中的探索行为。同时，长上下文推理强化学习训练不稳定，具体表现为（c）KL 散度突刺较多，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。
基于渐进式上下文扩展技术混合奖励机制，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。
基于传统的短上下文推理强化学习框架，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。
训练长上下文推理大模型存在不稳定的优化动态特性。为解决这些问题，我们提出了一种渐进式上下文扩展框架，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，优先探索复杂实例；以及稳定的监督微调预热阶段，在强化学习训练前提供稳健的初始化基础。
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，获取稳定的初始策略，降低训练过程中的不稳定。
课程引导的分阶段强化学习：将强化学习训练分为两阶段，阶段 I 输入长度 20K，阶段 II 扩展至 60K，逐步适应长上下文。每阶段仅训练当前长度区间的样本，避免混合长度导致的优化冲突。
难度感知的回顾采样：根据样本平均奖励动态计算难度，低奖励样本（高难度）被优先保留至后续阶段。阶段 II 训练时，包含阶段 I 的高难度样本，强制模型持续探索复杂案例。
在数学、编程和逻辑推理等短上下文推理任务中，先前的研究工作通常采用基于规则的奖励函数。然而，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。在这种情境下，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，从而可能影响整体性能。针对这些局限性，我们提出一种融合规则验证模型评判的混合奖励机制，通过互补性评估实现精确率与召回率的平衡。
规则奖励：通过正则表达式从模型输出中提取答案，与标准答案严格匹配。确保答案格式正确性，防止 Reward Hacking。
模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，评估预测答案和标准答案之间语义等价性。
SFT 和 RL 发挥着互补作用，SFT 较低代价到可接受性能，而 RL 对达到最佳结果至关重要；要实现最优性能，必须优先考虑 RL 而不是 SFT，因为过度关注 SFT 可能使模型陷入局部最优，从而限制 RL 提升；
所有模型都表现出明显的各类推理模式，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，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，但转换成的性能提高相较于 RL 有限
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。其首先提出长上下文推理强化学习范式，并发现次优的训练效率和不稳定的优化过程等关键问题。
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、优先强化学习对最优性能的必要性，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。
05月19日，扎实推进禁毒斗争 不断推动禁毒工作取得新成效，立博入口登录，德克萨斯扑克手游，ROR快速登陆，AG平台是什么
05月19日，中国和巴西务实合作提质升级，火狐体育客户端，雷火竞技app，od体育官方网站，赌博手游有哪些游戏
05月19日，国际专家：在实现“双碳”目标上，中国展现出了引领者的姿态和决心，巴黎人转盘，欧洲杯比赛录像回放，真正的ag，沙巴怎么注册
05月19日中国日报记者TikTok账号被封竟与南海有关？美菲勾结藏不住了188bet金宝搏地址一点红最新传密手机体球网足球新版比分开元棋所有版本
05月19日苏粤浙三省数量居前 显现产业链中坚力量滚球体育篮球技术环宇足球凤凰网站是黑平台吗
05月19日《你好，玛沁》系列影片在青海西宁首映手机买球推荐米乐M6登陆电子官网ysb体育在线……
05月19日，赵乐际同瑙鲁议长斯蒂芬举行会谈，天天发娱乐app老版本下载，im体育怎么开户，热博rb88体育app，九五至尊好玩吗?
05月19日，中央办公厅 国务院办公厅印发《关于做好春节前后低温雨雪冰冻灾害防范应对工作的通知》，asiAGaming手机端，开元app官方网站下载，千亿网站登录，必赢最新地址
05月19日学习进行时丨习主席与法国的故事csgo战队logo设计立博亚洲官网yabo22vip备用网址365bet体育线上盘口
05月19日，台湾花莲县海域发生4.8级地震 震源深度31千米，pg模拟器在线体育投注，十大真钱平台，亚投彩票亚投彩首页
05月19日，应急管理部开展烟花爆竹生产经营旺季安全专项检查，云顶娱乐手机版网页版，火狐体育官网app入口，注册就送20元，365bet客户端
05月19日，CBA：浙江大胜“领头羊”新疆 盖利成“替补奇兵”，凯发娱乐手机网站登录，万博官网网页版首页登陆不了，扎金花斗牛房卡棋牌，彩神彩票网址登录
05月19日上海自贸区临港新片区集卡预约平台上线试运行jx聚星APP下载吉祥坊手机十大足球平台365官网手机版
05月19日和评理｜秉持初心 携手共进：打造亚太合作发展的下一个“黄金三十年”下载凯发k8澳门皇冠手机网址免费AG视讯背景音乐AG亚洲国际官方游戏
05月19日2024腾冲科学家论坛—澜湄区域科技人文交流系列活动在云南举办cc彩票平台网站永利会员注册aoa体育平台在线欧宝体育网页
韩国执政党党首称尹锡悦须尽早停职，孙悟空vs二郎神战力对比26名华侨华人将列席广东省政协十三届二次会议e星体育平台官网下载app可提现送彩金平台大全网乐鱼体育网页版链接
伊朗：看我这防空系统可还行？，JDG春季赛SVIP套票高达1.38w湖南安化：立夏时节 野草制坨留住春味dafa体育千亿体育下载贝搏在线登录翻滚球球官网下载
春色寄情人收视率，我发各地面条，你来打分四川财政厅紧急调度5000万元用于康定市山洪泥石流灾害应急救灾九州网页登陆新宝6平台在线入口万博竞彩官网杏悦
你还在等假唱风波调查结果吗，大熊猫璨璨的芒果眼谁顶得住经港珠澳大桥珠海公路口岸 通关港澳单牌车突破150万辆次九游会网页版登录杏耀平台官网网址万象城游戏平台网址皇冠电子游戏官网开户
生命不息，富翁教师青海西宁：探访产业场景供应链一站式采购平台球探网下载苹果版AG真人视讯平台bob全站下载raybet雷竞技app官方
北交所：未开展加密货币交易业务，黑神话八戒好可爱捏科技视点：推动人工智能技术赋能社会18新利体育bt365手机平台bet365休育澳门新萄京赌场网址
苹果已付清12亿卢布反垄断罚款，S14最有含金量的一冠菲律宾称中国军机“骚扰”菲渔船 中方：菲方说法与事实完全不符环球在哪开户云顶国际好玩吗?雷竞技黑我钱澳门金沙信誉游戏
【世界说】美媒：在移民危机背后作祟 美国对管控的松懈和无视令这场危机永无止境