阿里通義千問Qwen團隊近日正式推出了其最新研發(fā)成果——QwenLong-L1-32B模型，這一模型在長文本情境推理領(lǐng)域?qū)崿F(xiàn)了新的突破。據(jù)團隊介紹，QwenLong-L1-32B是首個通過強化學習訓練的長文本情境推理模型（LRM），其性能在多個基準測試中表現(xiàn)優(yōu)異。

在七個長文本DocQA基準測試中，QwenLong-L1-32B模型的表現(xiàn)超越了o3-mini和Qwen3-235B-A22B等旗艦?zāi)Ｐ?，與Claude-3.7-Sonnet-Thinking模型旗鼓相當。這一成績不僅展示了QwenLong-L1-32B模型的強大實力，也標志著阿里在長文本推理技術(shù)上的又一次飛躍。

QwenLong-L1-32B模型的最大亮點在于其上下文窗口的支持能力，最高可達131072個tokens。這意味著模型在處理長文本時能夠捕捉到更多的上下文信息，從而做出更準確的推理。這一特性使得QwenLong-L1-32B模型在長文本推理任務(wù)中具有顯著的優(yōu)勢。

在模型的開發(fā)過程中，阿里通義千問Qwen團隊采用了先進的GRPO（Group Relative Policy Optimization）和DAPO（Direct Alignment Policy Optimization）算法，并結(jié)合了基于規(guī)則和基于模型的混合獎勵函數(shù)。這些創(chuàng)新技術(shù)的應(yīng)用，顯著提升了模型在長上下文推理中的準確性和效率。團隊還通過監(jiān)督微調(diào)（SFT）階段建立了一個穩(wěn)健的初始策略，并采用課程引導的分階段強化學習技術(shù)來穩(wěn)定策略演變。

除了模型本身的創(chuàng)新，阿里還發(fā)布了一套針對長文本推理問題的完整解決方案。該方案涵蓋了高性能的QwenLong-L1-32B模型、專門優(yōu)化的訓練數(shù)據(jù)集、創(chuàng)新的強化學習訓練方法以及全面的性能評估體系。這一解決方案的推出，將為長文本推理領(lǐng)域的研究和應(yīng)用提供有力的支持。

阿里通義千問Qwen團隊的這一成果，不僅展示了其在長文本推理技術(shù)上的深厚積累和創(chuàng)新實力，也為人工智能領(lǐng)域的發(fā)展注入了新的活力。隨著技術(shù)的不斷進步和應(yīng)用場景的不斷拓展，相信QwenLong-L1-32B模型將在更多領(lǐng)域發(fā)揮重要作用。