超越奖励工程：一种用于长上下文强化学习的数据配方

长上下文推理是大语言模型的关键能力，尤其在自主智能体处理长轨迹时至关重要。尽管强化学习已成为提升该能力的主流范式，现有工作多集中于奖励工程，而多样化训练数据匮乏。本文从数据中心视角出发，提出一种简单有效的数据配方，结合最小化的基于结果的 GRPO 设置，显著提升了长上下文推理能力。该配方针对检索、多证据合成和推理三类任务，构建了包含约 1.4 万样本的八个数据集。实验表明，该方法在多个基准测试中优于 prior RL 训练集，并能有效迁移至智能体任务。