阿里通義千問 Qwen 團隊昨日（5 月 26 日）發布 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，采用了先進的 GRPO（Group Relative Policy Optimization）和 DAPO（Direct Alignment Policy Optimizatio）算法，結合基于規則和基于模型的混合獎勵函數，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，團隊在監督微調（SFT）階段建立一個穩健的初始策略，隨后采用課程引導的分階段強化學習技術來穩定策略演變，并結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、專門優化的訓練數據集、創新的強化學習訓練方法，以及全面的性能評估體系。 
