**核心问题。** 现在前沿推理系统已经能吞百万 token context，但 RL 后训练仍卡在 256K——把训练上下文从推理扩到 2M+，是 agentic RL 真正的瓶颈。论文观察到，AI agents 的 observation、tool output、document、prior decision 沿 trajectory 累积，post-training 长度上不去，长程 agent 能力就出不来。 **LongStraw 的做法。** 2026-07-16 上 arXiv（编号 2607.14952，MindLab-Research，Changhai Zhou 等 20 位作者）给出了一个架构感知的执行栈，专为百万 token RL post-training 设计。三个关键动作：(1) 共享 prompt 不开 autograd，inference-only 评估前缀，只保留后续 token 真正需要的模型态；(2) response 短分支逐次回放，把长 response 拆成短分支一段一段 replay，把"活的训练图"砍到最小；(3) 架构专属优化，不写通用解法，而是针对 hybrid recurrent + full-attention 的 Qwen3.6-27B 和 compressed-attention MoE 的 GLM-5.2 两个真实基座做特化。算法侧用的是当下最流行的 GRPO。 **实测数据。** 8 张 H20 上，Qwen3.6-27B 的 grouped scoring + response backward 可以跑到 2.1M positions，group size 从 2 扩到 8 只多占用 **0.21 GB** 峰值显存；极限压测跑到 4.46M。32 张 H20 上，GLM-5.2 全部 78 层端到端 forward 在 2.1M token prompt 下被跑通——这条含金量更高，因为 compressed-attention MoE 的层间状态远更复杂。 **个人观点。** 这条工作关键不在"训完一个完整 RL 步"，而在"敢把这套执行栈如实放出"。作者直接标注 "establishes execution capacity rather than complete training correctness, some distributed forward and gradient composition paths remain incomplete"——这种克制在 RL infra 论文里太少见了，比"又一个 1M context RL"的套路话踏实得多。agentic RL 的真实瓶颈就在上下文长度，LongStraw 把"百万 token 后训练"从口号变成可执行的工程件，代码已开源在 github.com/MindLab-Research/longstraw，下一步就看谁能用它做出真正能训出 long-horizon agent 的完整训练流程。