LongRLVR：长上下文强化学习需要可验证的上下文奖励

针对现有可验证奖励强化学习（RLVR）在长上下文场景中因依赖内部参数知识而失效的问题，本文指出仅基于最终答案的稀疏奖励导致上下文定位梯度消失。为此，提出 LongRLVR 方法，引入稠密且可验证的上下文奖励作为辅助信号，直接激励模型选择正确的依据信息。实验表明，该方法在多种模型和基准测试中显著优于标准 RLVR，有效解锁了大模型在长上下文应用中的完整推理潜力。