在人工智能领域，推理大模型通过强化学习展现出了强大的推理能力，但这些改进主要集中在短上下文推理任务中。相比之下，如何利用强化学习扩展这些模型以有效处理长上下文输入，一直是一个尚未解决的关键挑战。阿里巴巴通义实验室的团队首次形式化定义了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。
为应对这些挑战，团队提出了 QwenLong-L1 长上下文推理强化学习框架。该框架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。具体来说，QwenLong-L1 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。
此外，QwenLong-L1 框架还引入了混合奖励机制，融合规则验证与模型评判，以实现精确率与召回率的平衡。这种机制通过正则表达式从模型输出中提取答案，并与标准答案严格匹配，同时采用轻量级评判模型评估预测答案和标准答案之间的语义等价性。
实验结果表明，QwenLong-L1-32B 在多个长文档问答 benchmarks 上表现卓越，不仅超越了 OpenAI-o3-mini、Qwen3-235B-A22B 等旗舰模型，更与 Claude-3.7-Sonnet-Thinking 性能对标。这一成果标志着长上下文推理大模型在实际应用中取得了显著进展，为金融、法律、科研等复杂领域任务提供了更加高效和准确的解决方案。
QwenLong-L1-32B 的推出不仅展示了阿里巴巴通义实验室在人工智能领域的强大研发实力和技术前瞻性，也为整个行业在长上下文推理技术的发展上树立了新的标杆。未来，随着该模型的不断优化和应用拓展，预计将在更多领域带来创新性的解决方案，推动人工智能技术的进一步发展和普及。
