作為大模型從業(yè)者或研究員的你，是否也曾為一個模型的 “長文本能力” 而興奮，卻在實際應用中發(fā)現(xiàn)它并沒有想象中那么智能？

你大概率也遇到過以下困境之一：

虛假的繁榮： 模型在 “大海撈針” (Needle-in-a-Haystack) 測試中輕松取得高分，營造了一種長文本能力已經(jīng)解決的 “虛假繁榮”。但一旦任務從簡單的信息定位，升級為需要串聯(lián)分散證據(jù)、整合全局信息的多跳推理 (multi-hop reasoning) 時，模型的表現(xiàn)便會急轉(zhuǎn)直下，難以構(gòu)建起完整的邏輯鏈條，暴露出其在深度理解上的真實短板。

訓練的噩夢： 長文本、多任務的訓練數(shù)據(jù)就像一個成分復雜的 “大雜燴”，其多源、多域的特性，讓標準的 RL 算法嚴重 “水土不服”。你精心設計的獎勵函數(shù)（Reward Function）很可能因為數(shù)據(jù)分布的劇烈變化而產(chǎn)生偏差，導致模型性能不升反降。最終，監(jiān)控圖上那劇烈震蕩的獎勵和熵（Entropy）曲線，無情地宣告著訓練過程的 “翻車” 與崩潰。

窗口的天花板： 即使上下文窗口被擴展到 256K，1M 甚至更長，它也終究是一個有限的 “物理內(nèi)存”。然而，現(xiàn)實世界的知識流 —— 分析整個代碼倉庫、研讀一份完整的年度財報、或是精讀一部專業(yè)巨著 —— 其信息量輕易就能突破這個上限。這使得模型在處理這些 “超框”（Out-of-Window）任務時，不得不依賴分塊處理等妥協(xié)方案，最終導致關(guān)鍵全局信息的丟失和端到端推理能力的降級。

如果這些場景讓你倍感熟悉，那么問題很可能不在于你不夠努力，而在于業(yè)界缺少一套完整、端到端的長文本推理后訓練 “配方”（Post-training Recipe）。

針對這一系列挑戰(zhàn)，通義文檔智能團隊正式推出QwenLong-L1.5—— 一個基于 Qwen3-30B-A3B 打造的長文本推理專家。我們的核心貢獻，正是提供了這套缺失的 “配方”，它系統(tǒng)性地統(tǒng)一了：

• 可擴展的高質(zhì)量數(shù)據(jù)合成管線
• 為長文本定制的強化學習方法
• 突破物理窗口的智能體架構(gòu)

這套組合拳，旨在一次性解決從 “學不好” 到 “用不了” 的全鏈路難題。

• 技術(shù)報告： https://huggingface.co/papers/2512.12967
• GitHub 倉庫： https://github.com/Tongyi-Zhiwen/Qwen-Doc

深入拆解：我們的三大「法寶」

要讓模型真正掌握長文本推理，零敲碎打的優(yōu)化是遠遠不夠的。我們提出了一套系統(tǒng)性的 “組合拳”，包含三大核心法寶，從根本上重塑模型的學習與思考方式。

法寶一：高質(zhì)量 “精神食糧” —— 多跳推理數(shù)據(jù)合成流水線

模型的 “食糧” 決定了它的 “智商”。如果只給模型投喂簡單的 “大海撈針” 式任務，就如同只讓學生做單選題，卻期望他能寫出長篇論述文。

為了教會模型真正的 “思考”，我們打造了一條新穎的數(shù)據(jù)合成流水線。其核心思想是 “先拆解，后組合”，專造需要 “多跳溯源 (multi-hop grounding) 和全局推理” 的難題。這就像用樂高積木拼城堡：我們先把一本巨著拆解成一個個知識 “積木”（原子事實），再根據(jù)復雜的 “圖紙”（如知識圖譜、多文檔表格），把這些分布在不同章節(jié)的積木拼成一個宏偉的 “城堡”（復雜問題）。

這條流水線由三大 “出題引擎” 驅(qū)動，能程序化地生成無窮無盡的高質(zhì)量挑戰(zhàn)：

• 知識圖譜引導 (KG-Guided)： 自動挖掘文檔間的深層邏輯鏈，生成環(huán)環(huán)相扣的多跳推理題，強制模型進行跨段落、跨文檔的關(guān)聯(lián)思考。
• 跨文檔表格引擎 (Cross-document Table Engine)： 從多個非結(jié)構(gòu)化文檔中自動抽取出數(shù)據(jù)，整合成統(tǒng)一的結(jié)構(gòu)化表格，據(jù)此生成需要聚合、統(tǒng)計與復雜計算的數(shù)值推理題。
• 多智能體自我進化 (MASE)： 設計一個由 “出題者”、“解題者”、“檢驗者” 組成的多智能體框架，基于無標簽文檔自動合成通用長文本任務，通過 “出題 - 解題 - 檢驗” 的循環(huán)，結(jié)合歷史合成任務提升任務難度和廣度。

法寶二：穩(wěn)定高效的 RL 優(yōu)化策略

強化學習（RL）是提升模型推理能力的關(guān)鍵，但在長文本、多任務場景下，標準的 RL 方法會面臨兩大嚴峻挑戰(zhàn)，極易導致訓練崩潰。

第一個挑戰(zhàn)源于數(shù)據(jù)分布的異構(gòu)性。我們的長文本訓練數(shù)據(jù)來自代碼、學術(shù)文獻、財報等多個領(lǐng)域，任務類型也涵蓋了問答、計算、分析等。這種復雜性導致在訓練的每個批次（mini-batch）內(nèi)，數(shù)據(jù)分布都會發(fā)生劇烈偏移（distributional drift）。

這種偏移會嚴重干擾獎勵信號（reward）的穩(wěn)定性，并對優(yōu)勢函數(shù)（advantage function）的估計引入巨大噪聲，使得梯度更新方向變得極不可靠。為解決此問題，我們采取了雙重策略：

任務均衡采樣（Task-balanced Sampling）： 在構(gòu)建每個訓練批次時，強制從不同的任務類型（如多跳推理、數(shù)值計算、對話記憶等）中均勻抽取樣本，從源頭上保證了批次內(nèi)數(shù)據(jù)分布的相對均衡。

任務專屬優(yōu)勢估計（Task-specific Advantage Estimation）： 在計算優(yōu)勢函數(shù)時，我們不再對整個批次的獎勵進行標準化，而是在每個任務類型內(nèi)部獨立進行。這能有效隔離不同任務間迥異的獎勵分布（如 0/1 的稀疏獎勵與 0-1 的密集獎勵），從而為每個任務提供更準確、更穩(wěn)定的優(yōu)勢信號。

第二個挑戰(zhàn)是長文本推理中的信用分配難題（Credit Assignment Problem）。在生成式任務中，一個最終錯誤的答案（negative response）往往包含了大量完全正確的中間推理步驟。傳統(tǒng)的 RL 算法通過一個單一的負向獎勵來懲罰整個序列，這種 “一刀切” 的做法會錯誤地懲罰那些正確的、具有探索價值的步驟，不僅壓制了模型的探索能力，甚至可能導致 “熵坍塌”（entropy collapse）和訓練早停。

為此，我們提出了自適應熵控制策略優(yōu)化（Adaptive Entropy-Controlled Policy Optimization, AEPO）算法。AEPO 的核心是一種基于模型自身不確定性（以策略熵衡量）的動態(tài)梯度屏蔽機制：

當模型在高不確定性（高熵）狀態(tài)下生成了錯誤答案時，AEPO 會主動屏蔽（mask）其負向梯度。這保護了模型的探索性行為，避免因懲罰不成熟的嘗試而喪失學習潛力。

反之，當模型在高置信度（低熵）狀態(tài)下依然犯錯時，負向梯度會被正常施加，以堅決糾正這些高置信度的錯誤。

通過這種動態(tài)的、智能的梯度控制，AEPO 將模型策略的熵穩(wěn)定在一個健康的區(qū)間，完美平衡了探索與利用，從根本上解決了長文本 RL 中的不穩(wěn)定性問題。

法寶三：突破極限的 “外置大腦”—— 記憶管理框架

256K 的上下文窗口，本質(zhì)上是一種有限的 “短期記憶”。當面對浩如煙海的真實世界知識流時，我們需要的不是一個更大的窗口，而是一個全新的工作模式。

為此，我們?yōu)槟Ｐ驮O計了一套記憶管理框架 (Memory Management Framework)，這相當于給了它一個可無限擴展的 “智能筆記本”。在閱讀超長文檔時，模型不再試圖將所有內(nèi)容硬塞進 “短期記憶”，而是學會了邊讀邊記要點（迭代式記憶更新），形成結(jié)構(gòu)化的記憶，并在需要時高效檢索和利用這些 “筆記”。

但這并非一個孤立的工具。通過巧妙的多階段融合 RL 訓練 (multi-stage fusion RL training)，我們將這種 “筆記能力” 與模型與生俱來的 “過目不忘”（窗口內(nèi)推理）能力無縫地融合在了一起。最終得到的，是一個統(tǒng)一的模型 —— 一個既能 “深思” 又能 “博覽” 的全能選手，真正突破了物理窗口的束縛。

效果展示

性能全面飛躍，30B moe 模型實現(xiàn)媲美頂級旗艦的效果！

QwenLong-L1.5 在多個權(quán)威長文本推理基準上取得了令人矚目的成績，其表現(xiàn)可以總結(jié)為：

• 整體性能飛躍： 相比基線模型 Qwen3-30B-A3B-Thinking，QwenLong-L1.5 的平均分暴漲 9.9 分！這證明了我們?nèi)缀笥柧?“配方” 的巨大成功。
• 比肩頂級旗艦： 在多個權(quán)威長文本榜單上，我們的 30B-A3B 模型取得了與 GPT-5、Gemini-2.5-Pro 等業(yè)界頂級閉源模型相媲美的性能，展現(xiàn)了極強的競爭力。
• 精準的能力躍升： 更值得注意的是，我們的性能提升精準地體現(xiàn)在了最能考驗深度推理能力的復雜任務上。在需要多跳推理和全局信息整合的 MRCR、CorpusQA 和 LongBench-V2 等基準上，我們分別取得了+31.72、+9.69 和 +6.16 的性能增長！

這并非巧合，而是精準地驗證了我們 “高質(zhì)量精神食糧”（可編程數(shù)據(jù)合成）的有效性 —— 我們專門為模型打造了什么樣的難題，它就在解決這些難題上獲得了最強的能力！

意外之喜：通用能力不降反升！

訓練 “專才” 是否會犧牲 “通才” 能力？這是大模型微調(diào)中常見的 “蹺蹺板” 難題。

我們的答案是：不僅不會，反而會相互促進！

實驗結(jié)果顯示，經(jīng)過長文本強化訓練后，QwenLong-L1.5 不僅沒有出現(xiàn) “偏科” 或 “遺忘”，反而在一系列通用能力上也獲得了顯著提升：

• 在數(shù)學推理 (AIME25) 任務上表現(xiàn)更優(yōu)；
• 在智能體記憶 (BFCL) 任務中展現(xiàn)出更強的狀態(tài)追蹤能力；
• 在長對話 (LongMemEval) 場景下，記憶和理解能力大幅增強。

這有力地證明了，提升長程信息整合能力，是一種基礎(chǔ)性的 “認知升級”，其收益會輻射到模型的各項核心能力之中。

挑戰(zhàn)極限：征服 1M~4M Token 超長文本！

當任務長度遠超物理上下文窗口時，模型真正的擴展能力才得以體現(xiàn)。

借助我們的 “外置大腦”（記憶管理框架），QwenLong-L1.5 在處理百萬、甚至四百萬級別的超長任務時，展現(xiàn)出了卓越的性能。

結(jié)果顯示，QwenLong-L1.5 在這些極限挑戰(zhàn)中，性能遠超同類智能體方法，充分驗證了我們框架強大的可擴展性。這表明，我們不僅提升了模型在窗口內(nèi)的能力，更賦予了它突破物理窗口限制、處理無限信息流的巨大潛力。

總結(jié)

總結(jié)：我們提出的 QwenLong-L1.5 及其背后的 “數(shù)據(jù)合成 + RL 優(yōu)化 + 記憶管理” 三位一體的后訓練框架，為解決大模型長文本推理難題提供了一條經(jīng)過驗證的、可復現(xiàn)的路徑。

開源呼吁：我們相信開放與共享的力量。相關(guān)技術(shù)細節(jié)已在論文中公布，代碼也在 https://github.com/Tongyi-Zhiwen/Qwen-Doc 開源。歡迎大家下載使用、交流探討，共同推動長文本技術(shù)的發(fā)展！