阿里通義千問 Qwen 團(tuán)隊(duì)昨日（5 月 26 日）發(fā)布 QwenLong-L1-32B 模型，是其首個(gè)通過強(qiáng)化學(xué)習(xí)訓(xùn)練的長文本情境推理模型（LRM）。
在七個(gè)長文本 DocQA 基準(zhǔn)測試中，表現(xiàn)超越 o3-mini 和 Qwen3-235B-A22B 等旗艦?zāi)Ｐ停c Claude-3.7-Sonnet-Thinking 相當(dāng)。
QwenLong-L1-32B 模型最大的亮點(diǎn)，在于上下文窗口最高支持 131072 個(gè) tokens。該模型基于 QwenLong-L1 框架開發(fā)，采用了先進(jìn)的 GRPO（Group Relative Policy Optimization）和 DAPO（Direct Alignment Policy Optimizatio）算法，結(jié)合基于規(guī)則和基于模型的混合獎(jiǎng)勵(lì)函數(shù)，顯著提升了模型在長上下文推理中的準(zhǔn)確性和效率。
具體而言，團(tuán)隊(duì)在監(jiān)督微調(diào)（SFT）階段建立一個(gè)穩(wěn)健的初始策略，隨后采用課程引導(dǎo)的分階段強(qiáng)化學(xué)習(xí)技術(shù)來穩(wěn)定策略演變，并結(jié)合難度感知的回顧采樣策略來激勵(lì)策略探索。
除了模型本身，阿里還發(fā)布了一套針對長文本推理問題的完整解決方案。該方案包含四個(gè)核心組件: 高性能的 QwenLong-L1-32B 模型、專門優(yōu)化的訓(xùn)練數(shù)據(jù)集、創(chuàng)新的強(qiáng)化學(xué)習(xí)訓(xùn)練方法，以及全面的性能評估體系。 
