QwenLong-L1.5：阿里通义实验室推出的长文本推理大语言模型

QwenLong-L1.5是阿里通义实验室推出的长文本推理专用大语言模型，基于Qwen3-30B-A3B架构打造。通过系统化后训练方案，结合高质量数据合成管线、稳定强化学习方法与突破物理窗口限制的记忆管理框架，模型有效解决传统大模型在长文本任务中面临的训练不稳定、上下文窗口有限等核心痛点。在多项长文本推理基准测试中，QwenLong-L1.5性能接近甚至超越GPT-5等顶尖模型，同时实现通用能力的显著跃升。

QwenLong-L1.5核心功能：

1、百万级Token长文本推理：

支持处理超长文本序列（涵盖百万级Token规模的文档），可高效完成跨段落、跨文档的复杂逻辑推理任务，打破传统模型的上下文长度限制。

2、多跳逻辑链推理：

具备多步骤信息串联能力，能够基于分散的文本信息构建完整推理链路，精准解决需要多层逻辑推导的复杂问题。

3、全局信息整合提取：

可从海量长文本中提取关键信息并进行结构化整合，满足全局理解类任务的需求，输出高关联性、高完整性的信息结论。

4、突破物理窗口的记忆管理：

依托创新记忆管理框架，无需依赖有限的上下文窗口，通过分块处理与迭代记忆更新，实现对超长文本的高效推理与信息留存。

5、通用任务能力跃升：

在数学推理、智能体记忆、长程对话等通用任务上表现出显著优势，具备优秀的跨场景泛化能力。

QwenLong-L1.5技术原理：

1、高质量数据合成管线：

采用**“先拆解，后组合”**的构建策略：先将长文档拆解为原子事实及关联关系，再借助知识图谱、多文档表格等工具，程序化生成需要多跳推理和全局信息整合的复杂任务数据集，为模型训练提供高质量、高针对性的样本支撑。

2、稳定强化学习训练方法：

针对长文本多任务训练中的数据分布偏移、奖励信号不稳定问题，引入**任务均衡采样**与**任务专属优势估计策略**；同时提出**自适应熵控制策略优化（AEPO）算法**，通过动态调控负梯度平衡模型的探索与利用，确保模型在超长序列上的训练稳定性，提升长文本推理的精度与效率。

3、突破物理窗口的记忆管理框架：

创新设计记忆管理框架，采用多阶段融合强化学习训练范式，将单次推理与迭代式记忆处理深度结合。面对超长文本时，模型通过分块处理和迭代记忆更新，将全局信息“折叠”为紧凑的记忆表示，摆脱物理上下文窗口的束缚，实现对超长文本的高效、精准推理。

QwenLong-L1.5典型应用场景：

1、专业长文档分析：

适配财务报告、法律文件、学术文献等专业长文本的深度分析，支持关键信息提取与多跳推理，辅助金融、法律、科研领域的专业人员快速把握复杂文档核心内容。

2、大型代码库理解与生成：

帮助开发者快速吃透百万行级别的大型代码库逻辑，自动生成代码片段、补全代码漏洞，大幅提升编程效率与代码质量。

3、复杂问答系统构建：

精准处理多跳问答与长文档查询需求，为智能客服、知识问答平台提供深度、准确的答案，优化用户交互体验。

4、信息检索与知识图谱构建：

优化搜索引擎的长文本处理能力，从海量文本中提取结构化知识并构建知识图谱，提升信息检索的准确性与知识复用效率。

5、智能教育辅助：

赋能在线教育平台与智能辅导系统，帮助学生拆解复杂学术问题、梳理逻辑脉络，支撑个性化学习路径规划。

进入QwenLong-L1.5官网入口