让 AI 从一摞长文档里找答案，像让学生做开卷考试：只在最后判对错，它很难知道自己哪次翻资料真正有用。LongR 想解决的正是这个问题。它用强化学习（RL——让模型反复作答，再按奖励调整行为），但不只在答案完成时给一次分数，而是鼓励模型在推理途中找到更有价值的内容。
具体来说，LongR 让模型交替“思考”和“查阅”，并加入“上下文密度奖励”：用相关文档带来的相对信息增益，衡量每次读取是否让答案更有把握。这个信号不需要人工逐段标注，也不用预先把文档切块。论文作者称，在 LongBench v2——一套长上下文能力测试——上，LongR 总体提升超过 9%；单独比较奖励设计时，它比只看最终答案的方案高约 4%。这说明，长上下文训练的关键可能不只是让模型读得更多，也包括及时告诉它：刚才读到的东西究竟有没有用。上述效果来自论文自报，材料未提供独立复现结果。