阿里刚刚放出了：QwenLong-L1-32B，一款用于长上下文推理的LLM，性能优于o3-mini、Qwen3-235B-A22B，与Claude-3.7-Sonnet-Thinking相当 QwenLong-L1-32B经过QwenLong-L1框架训练，是首个通过强化学习训练的长文本情境推理模型，在七个长文本情境文档问答基准测试上表现优秀 QwenLong-L1使用强化学习方法，尤其是GRPO和DAPO算法，结合基于规则和基于模型的混合奖励函数，来提升模型在长上下文推理中的性能 库里发布了一套解决长文本推理问题的完整方案，包括模型、数据集、训练方法和评估体系。

QwenLong-L1：实现大语言模型从短上下文到长上下文泛化的强化学习框架
本研究提出新型强化学习框架，旨在解决大语言模型（LRM）从短上下文能力向长上下文鲁棒泛化的迁移挑战。初步实验揭示了短/长上下文推理训练的动力学差异。

本框架通过渐进式上下文扩展增强LRM能力，包含三大核心组件：
1️⃣ 预热监督微调（SFT）阶段
▸ 初始化鲁棒策略
▸ 构建长上下文适应基础

2️⃣ 课程引导式强化学习阶段
▸ 实现短→长上下文的稳定迁移
▸ 采用难度感知的回溯采样机制

• 动态调整训练阶段复杂度

• 激励策略空间探索

3️⃣ 混合奖励函数架构
▸ 融合规则驱动与模型驱动的二元结果奖励（精度/召回平衡）
▸ 集成GRPO与DAPO前沿算法
▸ 利用群体相对优势策略优化

• 引导学习关键推理模式

• 实现强健的长上下文建模

• 获得卓越推理能力