5 月 27 日消息，阿里通義千問 Qwen 團(tuán)隊(duì)昨日（5 月 26 日）發(fā)布 QwenLong-L1-32B 模型，是其首個(gè)通過強(qiáng)化學(xué)習(xí)訓(xùn)練的長(zhǎng)文本情境推理模型（LRM）。jsz28資訊網(wǎng)——每日最新資訊28at.com

在七個(gè)長(zhǎng)文本 DocQA 基準(zhǔn)測(cè)試中，表現(xiàn)超越 o3-mini 和 Qwen3-235B-A22B 等旗艦?zāi)Ｐ停c Claude-3.7-Sonnet-Thinking 相當(dāng)。jsz28資訊網(wǎng)——每日最新資訊28at.com

jsz28資訊網(wǎng)——每日最新資訊28at.com

QwenLong-L1-32B 模型最大的亮點(diǎn)，在于上下文窗口最高支持 131072 個(gè) tokens。該模型基于 QwenLong-L1 框架開發(fā)，采用了先進(jìn)的 GRPO（Group Relative Policy Optimization）和 DAPO（Direct Alignment Policy Optimizatio）算法，結(jié)合基于規(guī)則和基于模型的混合獎(jiǎng)勵(lì)函數(shù)，顯著提升了模型在長(zhǎng)上下文推理中的準(zhǔn)確性和效率。jsz28資訊網(wǎng)——每日最新資訊28at.com

jsz28資訊網(wǎng)——每日最新資訊28at.com

具體而言，團(tuán)隊(duì)在監(jiān)督微調(diào)（SFT）階段建立一個(gè)穩(wěn)健的初始策略，隨后采用課程引導(dǎo)的分階段強(qiáng)化學(xué)習(xí)技術(shù)來穩(wěn)定策略演變，并結(jié)合難度感知的回顧采樣策略來激勵(lì)策略探索。jsz28資訊網(wǎng)——每日最新資訊28at.com

jsz28資訊網(wǎng)——每日最新資訊28at.com

除了模型本身，阿里還發(fā)布了一套針對(duì)長(zhǎng)文本推理問題的完整解決方案。該方案包含四個(gè)核心組件: 高性能的 QwenLong-L1-32B 模型、專門優(yōu)化的訓(xùn)練數(shù)據(jù)集、創(chuàng)新的強(qiáng)化學(xué)習(xí)訓(xùn)練方法，以及全面的性能評(píng)估體系。jsz28資訊網(wǎng)——每日最新資訊28at.com

附上參考地址jsz28資訊網(wǎng)——每日最新資訊28at.com

GitHubjsz28資訊網(wǎng)——每日最新資訊28at.com

Huggingfacejsz28資訊網(wǎng)——每日最新資訊28at.com

QwenLong-L1: Towards Long-Context Large Reasoning Models with Reinforcement Learningjsz28資訊網(wǎng)——每日最新資訊28at.com

本文鏈接：http://www.www897cc.com/showinfo-45-13259-0.htmlQwenLong-L1-32B 模型登場(chǎng)：阿里通義千問首個(gè)強(qiáng)化學(xué)習(xí)訓(xùn)練的長(zhǎng)文本推理 AI 模型

聲明：本網(wǎng)頁內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com

上一篇： 更新：OpenAI 宣布阿聯(lián)酋全境接入 ChatGPT AI

下一篇： 微軟攜手清華、北大推出獎(jiǎng)勵(lì)推理模型：根據(jù) AI 任務(wù)復(fù)雜性動(dòng)態(tài)分配計(jì)算資源