阿里通義千問 Qwen 團隊昨日（5 月 26 日）發(fā)布 QwenLong-L1-32B 模型，是其首個通過強化學習訓練的長文本情境推理模型（LRM）。

在七個長文本 DocQA 基準測試中，表現(xiàn)超越 o3-mini 和 Qwen3-235B-A22B 等旗艦模型，與 Claude-3.7-Sonnet-Thinking 相當。

QwenLong-L1-32B 模型最大的亮點，在于上下文窗口最高支持 131072 個 tokens。該模型基于 QwenLong-L1 框架開發(fā)，采用了先進的 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勵函數(shù)，顯著提升了模型在長上下文推理中的準確性和效率。

具體而言，團隊在監(jiān)督微調(diào)（SFT）階段建立一個穩(wěn)健的初始策略，隨后采用課程引導的分階段強化學習技術來穩(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。該方案包含四個核心組件: 高性能的 QwenLong-L1-32B 模型、專門優(yōu)化的訓練數(shù)據(jù)集、創(chuàng)新的強化學習訓練方法，以及全面的性能評估體系。