阿里开源长文本深度思索模子！渐进式强化学习破解长文本训练难题

梦晨 发自 凹非寺量子位 | 公众号 QbitAI

推理大模子开卷新偏向
，阿里开源长文本深度思索模子QwenLong-L1
，登上HuggingFace今日热门论文第二。

其32B参数版本凌驾OpenAI-o3-mini、Qwen3-235B-A22B等
，取得与Claude-3.7-Sonnet-Thingking相当的性能。

除测评分数外
，论文中还详细展示了一个金融文档推理的案例。古板模子容易被无关细节误导
，而QwenLong-L1通过回溯和验证机制过滤滋扰信息
，准确整合要害数据。

使命要求：凭证文档回覆问题“将优先票据的刊行本钱与第一年的利息支出合并盘算
，总资源本钱是几多？”

首先进场的基础模子DeepSeek-R1-Distill-Qwen-14B被文档中“自2011年10月15日起每半年支付一次利息”误导
，凭证不相关的时间和财务信息
，过失盘算了第一年的利息支付。

接下来
，经由特殊SFT的版本仍然未能解决这个问题。

它在对不相关文档举行太过剖析的循环中自我嫌疑
，最终尽了最大天生限制（10000 tokens）
，却没有给出最终谜底。

相比之下
，虽然QwenLong-L1-14B最初也体现出类似的分神
，但它很快举行了有用的自我反思。通过实时验证和回溯
，乐成过滤掉了不相关的细节
，得出了准确谜底。

那么
，QwenLong-L1是怎样做到的？

渐进式上下文扩展

首先
，现有推理模子在面临长文本（如几万字甚至更长）时遇到什么问题？

Qwen团队通过比照实验发明
，长文本推理的强化学习训练保存两个“硬伤”：

一是训练效率低
，古板强化学习（RL）要领在长文本中容易陷入局部最优
，奖励收敛慢
，限制了战略优化时的探索行为。

二是优化历程不稳固
，长文本使命的输出长度更高、输入长度漫衍不匀称
，导致战略更新时的方差被放大
，训练历程中参数更新不稳固（如KL散度坐过山车）。

为此团队提出QwenLong-L1训练框架
，焦点是通过渐进式上下文扩展让模子逐步顺应长文本推理。训练历程分为两阶段：

预热监视微调（Warm-Up Supervised Fine-Tuning）

在最先强化学习之前
，先用高质量的演示数据举行监视微调
，让模子先具备基本的长文本明确能力、推理链天生能力和谜底提取能力。

团队从DeepSeek-R1蒸馏了5.3K个高质量的问题-文档-谜底三元组
，确保模子有个稳固的起点。实验效果显示
，这个”热身”阶段对后续的强化学习训练至关主要。

课程指导的分阶段强化学习（Curriculum-Guided Phased Reinforcement Learning）。

从随笔笔起步过渡到长文本。例如
，先训练模子处置惩罚2万token的文本
，稳固后再增添到6万token
，最后到128K。每个阶段只关注对应长度的文本。

别的还引入了难度感知的回溯采样机制。在进入下一阶段时
，会保存前一阶段中最难的样本（平均准确率为零的那些）
，确保模子不会”遗忘”如那里置难题案例。

长文本问答的谜底往往较量开放
，纯粹的规则匹配太死板
，可能遗漏准确谜底。

QwenLong-L1在强化学习训练中接纳混淆奖励函数
，连系了基于规则的验证和LLM-as-a-Judge。

规则验证也就是直接检查谜底是否与标准谜底完全一致（如数学题盘算效果是否准确）
，再用另一个模子判断谜底的语义是否准确（应对谜底表述差别但意思一致的情形）
，两者连系阻止简单规则过于严酷或宽松

在DocMath、Frames、2WikimQA等七个长文本基准测试中
，QwenLong-L1-14B相比基础模子R1-Distill-Qwen-14B
，平均提升了4.1分
，逾越了Gemini-2.0-Flash-Thinking和Qwen3-32B。

QwenLong-L1的32B版内情比基础模子提升了5.1分
，抵达70.7的平均分。这个效果不但凌驾了OpenAI-o3-mini（70.4分）、Qwen3-235B-A22B（70.6分）
，甚至和Claude-3.7-Sonnet-Thinking（70.7分）打成平手。

团队还针对Test-time Scaling性能做了评估。当天生16个候选谜底时
，QwenLong-L1-14B的体现凌驾了DeepSeek-R1和OpenAI-o1-preview。

最后论文中还深入探讨了两个问题：

既然SFT相对简朴自制
，为什么还要辛苦搞强化学习（RL）？

实验效果很有启发性。长文本SFT确实能带来2.6分的提升
，比随笔本SFT的效果更好。可是
，若是在长文本SFT的基础上再做RL
，提升幅度只有0.3分；而在随笔本SFT基础上做RL
，却能提升3.2分。

对此团队提出一个看法：SFT提供了一种经济的性能提升方法
，而RL则是抵达最优性能必不可少的。

通过跟踪剖析了四种要害推理行为发明3个结论：信息定位（grounding）、子目的设定（subgoal setting）、回溯（backtracking）和验证（verification）。

所有模子都展现出显着的推理行为
，尤其是信息定位行为泛起频率最高
，这证实晰它在处置惩罚上下文依赖推理时的主要性；强化学习训练历程中
，这些行为会逐渐增强
，并与性能提升高度相关
，批注强化学习能有用调解输出空间
，优先保存有助于得出准确解答的推理模式虽然SFT模子也能学会这些行为
，但这些外貌上的行为模拟并没有带来实质性能提升
，这展现了SFT更关注外貌模式匹配
，而非实质推理能力的作育。

论文地点：https://arxiv.org/pdf/2505.17667

相关推荐：莫妮卡裸体 我的好儿媳月月最终身份 男被绑住㊙️四肢取精网站