前Qwen负责人谈混合思维的失误——以及他为何现在支持智能体

林俊阳曾是阿里巴巴Qwen项目的技术负责人。他于2026年3月3日宣布卸任，现以独立研究员身份在个人网站上更新动态。在一次题为“Qwen: 走向通用模型/智能体”的演讲中，他回顾了Qwen系列模型的发展，结尾处留下一句话：“训练模型 -> 训练智能体”。随后，他以独立研究员的身份将这句话扩展为一篇详细博文。本文将结合演讲与博文为从业者解读。

演讲全面介绍了Qwen模型家族，包括QwQ-32B、Qwen2.5-Max、Qwen3、Qwen2.5-VL和Qwen2.5-Omni等，并展示了与DeepSeek-R1、Grok 3 Beta、Gemini 2.5 Pro及OpenAI o系列等模型的基准对比。其中，Qwen3部分最为详尽。林强调其混合思维模式：思考模式用于逐步推理，非思考模式用于近乎即时的响应；并引入了动态思考预算，允许调用方限制模型的推理深度。Qwen3的多语言支持从29种扩展至119种语言和方言。

演讲展示了Qwen3的架构参数，从0.6B到235B参数量不等，包括密集型和MoE模型，并提及GGUF、GPTQ、AWQ和MLX等量化格式，全部基于Apache 2.0许可。演示环节包括Web开发和深度研究两个示例。结尾的“未来工作”幻灯片指向智能体，涉及更多预训练、带环境反馈的强化学习、更长上下文及更多模态。

林详细解释了混合思维的实施难点。思考模式与指导模式的优化目标相互矛盾：指导模型追求直接、简洁、低延迟，而思考模型则需为难题投入更多token。若草率合并，两者性能均会下降——思维行为变得臃肿，指导行为丧失干净利落。Qwen3尝试通过四阶段后训练流程（包括长思维链冷启动、推理RL及“思维模式融合”步骤）来合并，但后续（如2507系列）又推出了分离的指导变体和思维变体。林认为这更多是数据问题而非模型问题。他指出Anthropic的路线（如Claude 3.7 Sonnet的混合模型和Claude 4的推理与工具使用交错）提供了有益纠正：更长的推理轨迹不代表模型更智能，思考应由目标工作负载而非基准驱动。

林区分了两个时代：推理思维时代（由o1和DeepSeek-R1定义）和智能体思维时代。推理思维依赖确定性、可验证的奖励（如数学、代码和逻辑），并将强化学习转化为大规模回滚与验证的系统问题。而智能体思维则是“为了行动而思考”：智能体制定计划、决定何时行动、使用工具、读取环境反馈并修正计划。它涉及停止思考并采取行动的时机选择、工具调用顺序、处理噪声观测、失败后修订计划，以及在多轮工具调用中保持一致性。

林通过表格对比了两种思维的关键维度：推理思维判决标准是内部思考质量，奖励信号是数学/代码等可验证答案，核心训练对象是模型本身，基础设施瓶颈在于回滚与验证，主要失败模式是冗长无价值的推理轨迹；而智能体思维判决标准是行动中是否持续推进，奖励信号是交互环境中的任务成功，核心训练对象是模型及其环境（即“夹具”），基础设施瓶颈包括工具服务器、沙箱和训练-服务解耦，主要失败模式是通过工具访问和环境泄漏进行奖励篡改。

具体用例包括：编码智能体中，推理模型根据堆栈跟踪生成补丁，而智能体系统运行测试工具、读取实际错误、修订后重新运行直至测试通过；深度研究中，推理模型凭记忆撰写回答，而智能体系统拆解子查询、调用搜索、排除弱来源、返回带引用的答案；多智能体编排中，编排器规划并分发任务，专门子智能体执行窄任务并控制上下文污染。

林在演讲中通过代码示例展示了Qwen3的混合思维切换：enable_thinking标志在聊天模板中切换模式，默认为开启，输出将推理包裹在<think>...</think>块中。每个用户轮次还可附加/think或/no_think进行软切换，动态思考预算即基于此。

关于基础设施，林强调智能体强化学习比推理强化学习更难。推理RL的回滚主要是自包含轨迹，有干净评估器；而智能体RL的策略运行在工具服务器、浏览器、终端和沙箱组成的夹具中。这要求训练和推理必须清晰解耦，否则回滚吞吐量会崩溃。例如，等待实时测试执行的编码智能体会阻塞推理并饿死训练，GPU利用率远低于推理RL。林指出，在SFT时代团队优化数据多样性，在智能体时代则应优化环境质量（稳定性、真实性、覆盖范围和抵抗利用的能力），奖励篡改因工具访问扩大了攻击面而成为最大挑战。

关键要点：林俊阳于2026年3月3日离开Qwen，现以独立研究员身份发表见解；其演讲的核心论点是领域正从训练模型转向训练智能体；智能体思维由环境中的持续行动而非内部思考来评判；智能体RL需要解耦的训练-服务基础设施和高质量环境，而非仅可验证奖励；一旦模型获得真实工具访问，奖励篡改是主要风险。