阿里通义千问发布QwenLong-L1-32B：首个强化学习长文本推理AI模型

5月27日，阿里通义千问Qwen团队宣布推出其最新研究成果——首个通过强化学习训练的长文本情境推理模型QwenLong-L1-32B。这一突破性的AI模型于昨日（5月26日）正式发布。

在多个权威测试基准中，该模型展现出卓越的性能表现，不仅超越了包括o3-mini和Qwen3-235B-A22B在内的多项旗舰模型，更与Claude-3.7-Sonnet-Thinking等顶尖产品达到了相当水平。

作为此次发布的核心亮点，QwenLong-L1-32B模型的最大特色在于其创新的上下文窗口设计，能够支持高达131072个tokens的长文本处理能力。这一突破基于先进的QwenLong-L1框架，并整合了包括GRPO（Group Relative Policy Optimization）和DAPO（Direct Alignment Policy Optimization）等尖端算法，结合独特的混合奖励函数机制，在长上下文推理领域实现了显著的技术跨越。

在技术实现层面，研究团队采用了多阶段优化策略：首先通过监督微调（SFT）建立稳健的初始策略；随后运用课程引导的分阶段强化学习方法来确保策略演进的稳定性；最后引入难度感知的回顾采样策略，进一步激发模型的探索能力。

值得注意的是，除了核心模型本身，阿里还提供了一套完整的长文本推理解决方案。该方案由四个关键部分构成：高性能的QwenLong-L1-32B模型、经过专门优化的训练数据集、创新的强化学习训练方法，以及全面覆盖的性能评估体系。

相关参考链接如下：

• GitHub

• Huggingface

• QwenLong-L1: A New Approach to Long-context Window Processing