LOONGRL: REINFORCEMENT LEARNING FOR ADVANCED REASONING OVER LONG CONTEXTS粗读

思路不错，RL训练的时候还用短的上下文，比如16k。由于短上下文中存在索引，RL之后模型就在一个短的16k上下文学会了plan-retrieve-reason-recheck的模式。16k上下文上训练完之后，直接扩展到128k上推理，效果就很好。

• 知乎解读： https://zhuanlan.zhihu.com/p/1965557183132467714
• 论文链接： https://arxiv.org/pdf/2510.19363