长上下文RL数据配方论文：三个模型平均提升

Xiaoyue Xu 等作者在 arXiv（cs.AI）发布论文《超越奖励工程：面向长上下文强化学习的数据配方》，提出以数据为中心的长上下文强化学习配方：围绕检索、多证据综合与推理三类任务构建八个数据集、约 14K 样本，搭配最小化的结果导向 GRPO 设置。 论文称，在 Qwen3-4B、8B、30B-A3B 三个模型上，七个长上下文 benchmark 平均分别提升 +7.2、+3.2、+6.4 分，超过此前的 RL 训练集。作者表示将公开数据集以供后续研究。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。