强化学习解决长上下文推理问题:通义推出QwenLong-L1-32B
机械之心宣布
机械之心编辑部
上下文长度达 13 万 token,适用于多段文档综合剖析、金融、执法、科研等庞大领域任务。
近期的推理大模型(LRMs)通过强化学习(RL)展现出强大的推理能力,但这些革新主要体现在短上下文推理任务中。相比之下,如何通过强化学习扩展 LRMs 以有效处理和推理长上下文输入,仍然是一个尚未解决的要害挑战。
来自阿里巴巴通义实验室的团队首先形式化界说长上下文推理强化学习范式,并识别出其中的两个焦点挑战:次优的训练效率与不稳定的优化历程
针对这些问题,团队提出QwenLong-L1长上下文推理强化学习框架,通过渐进式上下文扩展战略逐步提升模型在长上下文推理任务上的体现,最终在多个长文档问答 benchmarks 上,QwenLong-L1-32B 体现卓越,不但逾越 OpenAI-o3-miniQwen3-235B-A22B等旗舰模型,更与 Claude-3.7-Sonnet-Thinking 性能对标
主要孝敬
1. 界说长上下文推理强化学习范式
区别于短上下文推理强化学习增进模型利用内部知识推理,长上下文推理强化学习需要模型首先定位外部要害信息然后整合内部推理
2. 识别长上下文推理强化学习要害问题
长上下文推理强化学习训练效率低,具体体现在(a)奖励收敛较慢,(b)模型输出熵的显著降低,限制了优化历程中的探索行为。同时,长上下文推理强化学习训练不稳定,具体体现为(c)KL 散度突刺较多,这是由于(d)较长的输出长度和不均匀的输入长度导致方差变大,导致战略更新不稳定。
3. 构建 QwenLong-L1 长上下文推理强化学习框架
基于渐进式上下文扩展技术混淆奖励机制,QwenLong-L1 通过强化学习实现了从漫笔本到长文本的稳定上下文适应。
4. 开源 QwenLong-L1-32B 长上下文文档推理大模型
与前沿长上下文推理大模型相比,QwenLong-L1-32B 实现了显著的性能提升,相较于 DeepSeek-R1-Distill-Qwen-32B 平均提升7.8%,不但逾越OpenAI-o3-miniQwen3-235B-A22B等旗舰模型,更与 Claude-3.7-Sonnet-Thinking 性能对标,为长文本推理优化提供了基础性技术计划,
焦点技术
基于古板的短上下文推理强化学习框架,QwenLong-L1 主要提出如下革新:渐进式上下文扩展技术和混淆奖励机制。
渐进式上下文扩展技术
训练长上下文推理大模型保存不稳定的优化动态特性。为解决这些问题,我们提出了一种渐进式上下文扩展框架,该框架包括:课程引导的分阶段强化学习战略以稳定从短到长上下文的优化历程;难度感知的回首采样机制,优先探索庞大实例;以及稳定的监督微调预热阶段,在强化学习训练前提供稳健的初始化基础。
稳健的监督微调预热:使用蒸馏的长上下文推理数据在强化学习前监督微调模型,获取稳定的初始战略,降低训练历程中的不稳定。
课程引导的分阶段强化学习:将强化学习训练分为两阶段,阶段 I 输入长度 20K,阶段 II 扩展至 60K,逐步适应长上下文。每阶段仅训练目今长度区间的样本,制止混淆长度导致的优化冲突。
难度感知的回首采样:凭据样本平均奖励动态盘算难度,低奖励样本(高难度)被优先保存至后续阶段。阶段 II 训练时,包括阶段 I 的高难度样本,强制模型连续探索庞大案例。
混淆奖励机制
在数学、编程和逻辑推理等短上下文推理任务中,先前的研究事情通常接纳基于规则的奖励函数。然而,开放域问答等长上下文推理任务因其固有的谜底多样性带来了奇特挑战。在这种情境下,限制性过强的基于规则的奖励机制可能会制约有效谜底的多样性,从而可能影响整体性能。针对这些局限性,我们提出一种融合规则验证模型评判的混淆奖励机制,通过互补性评估实现精确率与召回率的平衡。
规则奖励:通过正则表达式从模型输出中提取谜底,与标准谜底严格匹配。确保谜底花样正确性,避免 Reward Hacking。
模型评判:训练历程接纳 Qwen2.5-1.5B-Instruct 作为轻量级评判模型,评估预测谜底和标准谜底之间语义等价性。
组合战略:最终奖励取规则与模型评判的最大值,兼顾精确性与谜底多样性。
实验发明
主实验结果
相较于 SFT,RL 性能提升显著:仅需 1.6K 高质量样本在 R1-Distill-Qwen 模型上 RL 后提升明显,14B 模型平均提升 4.1,32B 模型平均提升 5.1。
在海内外旗舰推理模型中处于领先职位:
QwenLong-L1-14B 模型平均 Pass@1 抵达 68.3,逾越 Gemini-2.0-Flash-Thinking, R1-Distill-Qwen-32B, Qwen3-32BQwenLong-L1-32B 模型平均 Pass@1 抵达 70.7,逾越 QwQ-Plus, Qwen3-Plus, OpenAI-o3-mini, 与 Claude-3.7-Sonnet-Thinking 持平
Test-Time Scaling 性能明显:QwenLong-L1-14B 模型平均 Pass@2 抵达 73.7,逾越 DeepSeek-R1 (Pass@1, 72.1), OpenAI-o1-preview (Pass@1, 72.9)
SFT 与 RL 的权衡
探究差别起点模型 RL 后的结果:Base Model, Short-Context SFT Model (<=20K), Long-Context SFT Model (<=60K)。
有趣发明:
SFT 和 RL 发挥着互补作用,SFT 较低价钱到可接受性能,而 RL 对抵达最佳结果至关重要;要实现最优性能,必须优先考虑 RL 而不是 SFT,因为太过关注 SFT 可能使模型陷入局部最优,从而限制 RL 提升;
长上下文推理行为的涌现和变革
探索训练历程中推理模式的动态变革:包括长上下文推理相关的 Grounding 和通用推理相关的 Backtracking, Verification, Subgoal Setting 等推理模式。
有趣发明:
所有模型都体现出明显的种种推理模式,且长上下文相关的 Grounding 泛起频率最高RL 自然地使这些推理模式泛起频率越来越高,最终性能也会随之增长SFT 尽管让推理模式取得了远高于 RL 的增加,但转换成的性能提高相较于 RL 有限
结论
这项研究通过强化学习探索了长上下文推理大模型的开发。其首先提出长上下文推理强化学习范式,并发明次优的训练效率和不稳定的优化历程等要害问题。
为应对这些挑战,研究团队推出 QwenLong-L1,一个渐进式上下文扩展强化学习框架。实验结果标明 QwenLong-L1 在业界领先的长上下文推理大模型中体现优异。其中,QwenLong-L1-14B 性能逾越 Gemini-2.0-Flash-Thinking 和 Qwen3-32B,而 QwenLong-L1-32B 逾越 OpenAI-o3-mini、Qwen3-235B-A22B,甚至与 Claude-3.7-Sonnet-Thinking 抵达同等水平。
我们的剖析揭示了长上下文推理强化学习的三项要害洞察:渐进式上下文扩展对实现稳定适应的重要作用、优先强化学习对最优性能的须要性,以及强化学习训练历程中长文本推理模式的增加对性能提升的增进作用。
相关推荐:伽罗疯狂❌喷水自慰爽 红蝶被躁到高潮 恰斯卡瑟瑟被c污文
表妹叫我开她嫩苞
9幺无码免费看片
用丝袜怎么导精
西施cos 乳液
14岁女孩洗澡光溜溜怎么处理
被陌生人伦jian高潮连连
把老师🌸吊起来揉搓双乳
憋尿骑三角木马故事
进击的巨人吧唧三笠
qq免费看片➕q群
www.91漫画
砂狼白子被爆炒的视频
美女露出🐻让男生揉社区
少妇被到爽流自慰多人
性中国91精品videogrannyzoo
chara18禁本子❌
少妇自慰喷水www
国产粉嫩嫩00在线正在播放免费
亲嘴扒胸摸光又摸屁股视频
中国肥婆丰满BBw7080
粗硬龟大撑开湿润嫩缝视频
三月七裸体被❌涩涩在线观看
雁门照1400的提取码和地址在哪里
欧videos❌❌❌丝袜
欧美后门菊门交4
雷帝高高冰丝无痕内裤
躁BBB躁BBB躁BBBBBB
久久AV㊙️一区二区三区水牛
mmd成人r18动漫3d在线播放
偷窥美女洗澡一区二区三区
韩国女主播裸体摇奶
电锯人二创同人免费观看
成人做爰黄A片免费
我与陈大娘在深山的故事背景介绍
啊别了快cao我啊~坤坤
女王重口黄金大便
张继科性做爰A片景甜
性欧美❌❌潮喷老师
欧产➕日产➕国产一区
扒开美女❌狂揉❌桃花园漫画
暴躁老妈46集全免费
日本少妇做爰XXXⅩ视频
美女裸体㊙️扒开腿免费麻豆
春阳萌花的影片
舒淇一级毛片一区二区
女性裸体被❌羞羞被扒胸电视
日本老师裸体100%
91在线精品秘密秘动漫
老熟妇xXxXⅩHD老熟女
JJZZJJZZ亚洲成熟少妇
アニメ版“ゴムをつけてといいましたよね
✡️✡色✡️网✡️站男男
口工无翼乌全彩本子库绅士帝
全破解品爱阁
在教室自慰给学生看h
原神🔞同人漫画免费
巨大荫蒂videos另类视频
美女🈲🈲流浆❌❌水
亚洲Gay无套男同
脱了内裤自慰喷水❌在91
孕妇分娩腿分大开视频
㊙️男女做羞羞的视频
原神🔞同人网址
乖把奶罩脱了张开腿h别揉我
Zomato和Jio将被纳入NIFTY
雏田被暴❌自慰爽naruto
JK黄漫❌18禁漫画下载app
小柔被黑人喂春药后变成什么样
屈辱の牛奶浣肠羞耻地狱
91被❌脱脱内内打扑克
gts女巨人漫画集网站
男的🐔🐔放到🍑里视频抖淫
性瘾放荡小婬妇h林妙妙
女教师用🐻夹我的🍌游戏
性少妇VideoXXX欧美69
隐私㊙️视频黄www
japanလိုး
janpense丰满老师多毛
扒开狂揉难受公交车安卓
白丝❌jk❌乳❌❌视频
神里绫华被❌18禁同人网站
网友评论 检察所有评论>>