LongStraw：固定 GPU 预算下突破 200 万 token 的长上下文强化学习

LongStraw 是面向百万级上下文强化学习后训练的架构感知执行栈，基于 GRPO 在固定 GPU 预算下复用无梯度共享前缀、仅保留模型特定状态，并逐一重放短响应分支。8 张 H20 可处理 Qwen3.6-27B 的 210 万位置，32 张 H20 验证 GLM-5.2 的端到端执行路径，但训练正确性仍未完整证明。