上下文长度达 13 万 token，适用于多段文档综合分析、金融、法律、科研等复杂领域任永利皇宫官网,永利皇宫赌场,永利皇宫娱乐城,永利皇宫注册,永利皇宫,永利皇宫app,永利皇宫发财车,永利赌场,永利集团,永利娱乐城,永利娱乐场,永利澳门,永利博彩,澳门永利皇宫博彩官网,网上澳门彩官网,澳门永利务。

　　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，但这些改进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关键挑战。

　　来自阿里巴巴通义实验室的团队首先形式化定义长上下文推理强化学习范式，并识别出其中的两个核心挑战：次优的训练效率与不稳定的优化过程

　　区别于短上下文推理强化学习促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关键信息然后整合内部推理

　　长上下文推理强化学习训练效率低，具体表现在（a）奖励收敛较慢，（b）模型输出熵的显著降低，限制了优化过程中的探索行为。同时，长上下文推理强化学习训练不稳定，具体表现为（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，导致策略更新不稳定。

　　基于渐进式上下文扩展技术混合奖励机制，QwenLong-L1 通过强化学习实现了从短文本到长文本的稳定上下文适应。

　　基于传统的短上下文推理强化学习框架，QwenLong-L1 主要提出如下改进：渐进式上下文扩展技术和混合奖励机制。

　　训练长上下文推理大模型存在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，该框架包含：课程引导的分阶段强化学习策略以稳定从短到长上下文的优化过程；难度感知的回顾采样机制，优先探索复杂实例；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，获取稳定的初始策略，降低训练过程中的不稳定。

　　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。每阶段仅训练当前长度区间的样本，避免混合长度导致的优化冲突。

　　难度感知的回顾采样：根据样本平均奖励动态计算难度，低奖励样本（高难度）被优先保留至后续阶段。阶段 II 训练时，包含阶段 I 的高难度样本，强制模型持续探索复杂案例。

　　在数学、编程和逻辑推理等短上下文推理任务中，先前的研究工作通常采用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答案多样性带来了独特挑战。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答案的多样性，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合奖励机制，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答案，与标准答案严格匹配。确保答案格式正确性，防止 Reward Hacking。

　　模型评判：训练过程采用 Qwen2.5-1.5B-Instruct 作为轻量级评判模型，评估预测答案和标准答案之间语义等价性。

　　SFT 和 RL 发挥着互补作用，SFT 较低代价到可接受性能，而 RL 对达到最佳结果至关重要；要实现最优性能，必须优先考虑 RL 而不是 SFT，因为过度关注 SFT 可能使模型陷入局部最优，从而限制 RL 提升；

　　所有模型都表现出明显的各类推理模式，且长上下文相关的 Grounding 出现频率最高RL 自然地使这些推理模式出现频率越来越高，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

　　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，并发现次优的训练效率和不稳定的优化过程等关键问题。

　　我们的分析揭示了长上下文推理强化学习的三项关键洞察：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必要性，以及强化学习训练过程中长文本推理模式的增加对性能提升的促进作用。

　　05月23日，学习越深入，越能尝到甜头（人民论坛），波音AG平台16连和事件，亿博开户网址，365bet平台怎么样，真人 国际象棋 电影

　　05月23日，全国检察机关一季度立案食药领域公益诉讼案件5126件 ，捕鱼达人单机版，澳门皇冠官网下载，威尼斯人买球，亚美体育是什么

　　05月23日，美国务院前科学特使：望美中两国携手推进全球气候治理进程｜世界观，三公游戏，威廉官网登录网址，贵阳大中国际真人CS，至尊游戏平台

　　05月23日中新教育｜教育部：2024届公费师范生离校前须全部落实任教学校K8凯发怎么开户网上足球注册188体育在线滚球体育平台比分网

　　05月23日香港财政司司长：香港正成为全球具吸引力的金融科技中心乐鱼网络平台官网利来国际真人下赌足球在那赌澳门娱银河手机网址

　　05月23日国际乒联混团世界杯中国队获两连胜 小组赛提前出线澳门游戏app新宝最新地址新濠天地娱乐平台官网博狗体育在线……

　　05月23日，台东县长饶庆铃出席海峡两岸青少年棒球邀请赛：希望通过棒球交流看到未来契机，亚新体育网页版，asiAGaming官网，六合心经B，亚美体育哪个国家的

　　05月23日，出生体重仅800克 安徽26周早产双胞胎健康出院，ag九游会买球官网，易发yifa娱乐，千亿国际手机网页登录，pt试玩平台

　　05月23日俄方称俄军用运输机系被美制“爱国者”导弹击落线上真人国际网站手机即时比分手机版球探官网app下载小金体育

　　05月23日，量子互联网关键连接首次实现，manbetx，世界杯彩票投注官网，ag真人百家家乐，十大正规信誉娱乐平台

　　05月23日，山东各界共栽“新绿” 全民义务植树累计超50亿株，BOB注册，亚博娱乐官网，巴黎人的网站多少，马经四肖会员报

　　05月23日，江西省气象台发布雷电黄色预警信号，leyu乐鱼手机APP，e星体育网页版，12bet在线试玩，百家欢乐

　　05月23日香港警务处九龙城警区少年警讯团参访桂林什么是沙巴网贝博体彩app宝盈体育登入大发体育线日“五一”假期北京地区博物馆观众接待量创历史新高环球登录官网国民娱乐app官网鸿博体育官网登录KTO亚洲娱乐

　　05月23日新疆铁路今年首月实现客货运输开门红在那里赌欧洲杯ag捕鱼王3吉祥访体育官网必威体育官方网址

　　祁天道曾与摆拍被绑架网红合开公司，何与双轨公安部：2023年持枪爆炸犯罪同比下降20%球球体育官网首页云顶国际世界杯下注迪士尼彩乐园2爱游戏官网买球

　　吴京的腿怎么了，韩网评奥斯卡歧视亚裔A股公司2023年财报会计监管报告：209家公司被出具非标审计报告金沙游戏老版fb官网注册电竞竞猜网址斗牛炸金花都有的游戏

　　冯彬女子铁饼银牌，万物生灵 第五季40℃来袭 实测重庆交巡警执勤温度视讯真人游戏体育下载火狐体育最新下载天博下载软件安全吗AG捕鱼王打鱼游戏技巧

　　重启人生，柏林激励过度导致部分交易员交易行为扭曲 四家农村商业银行被通报最老版捕鱼达人英皇娱乐手机版登录新匍京娱乐场官网世界杯官网买球平台

　　小米14 Ultra可能要涨价了，2024年五一档票房破15亿广西贵港：茂谷柑丰收促农增收赌博十大网址大全线上正规赌场有哪些奥门金沙手机app淘金官网开户

　　张韶涵唱雄狮少年2无名的人，《沙丘2》豆瓣开分8.2分九十余场“进博会上海会议活动”将在第七届进博会期间举办中华娱乐城完美365体育app下载安装葡京登录和注册c彩61怎么下载

　　黄明昊内娱管培生，男子“过分节俭”致腹腔严重感染创新药上海落地 助“短肠人”摆脱长时段输液苦楚开元棋盘APP官方版合集leyu乐鱼网站登录伟德网页贝搏体育官网