正文

请到「今天看啥」查看全文

传统方法靠“死记硬背”（监督学习），但长文本需要模型具备“主动思考”能力。比如：

• 从100页财报中找到关键数据
• 跨多篇论文推导结论

这就像让一个只会做选择题的学生，突然面对开放式研究课题——必须用强化学习（RL）激发“主动推理”能力！

QwenLong-L1的三个方法

一 分阶段“升级”的强化学习

模型不是一口气学完长文本，而是像打游戏一样分阶段“练级”：

• 第1关：先学2万字以内的文本（热身）
• 第2关：挑战6万字的“困难模式”

每个阶段只专注当前难度，避免“贪多嚼不烂”。

二 动态调整难度

系统会主动筛选“历史难题”，比如之前得分低的题目，让模型反复练习薄弱环节。这种“错题本”机制，让学习效率翻倍！

三 混合奖励机制：既要精确，又要灵活

• 规则奖励 ：答案必须严格匹配标准（比如数字不能错）
• 裁判奖励 ：用另一个小模型判断答案语义是否合理（比如“10%”和“0.1”算对）

最终奖励取两者最大值，兼顾精准与灵活！

实验：超越o3-mini、比肩Claude

请到「今天看啥」查看全文