林俊旸看到了什么

作者 ｜ 王兆洋
郵箱 ｜ wangzhaoyang@pingwest.com

Ilya Sutskever離開OpenAI的時候，外界一度用一個半開玩笑的句式表達對他當時在技術判斷上的好奇。這個戲劇性的離開決定背后，他究竟對當時技術發展路線有何思考：What did Ilya see?

今天似乎也可以借用這個句式來討論剛剛離開阿里巴巴，曾負責Qwen模型訓練的林俊旸最新發布的一篇長文。

這是他離開Qwen后發的第一篇系統性的思考，這意味著它的很多觀點來自于Qwen的訓練過程，同時又脫離了在這個團隊里去討論它的局限。

一個真正操盤過今天最重要的模型之一的全部訓練過程，同時可以避開純內部視角做思考，并系統呈現出來的研究者，今天沒有幾個，這篇文章也因此值得仔細閱讀：What did Junyang see?

這篇題目為From "Reasoning" Thinking to "Agentic" Thinking的文章用英文首發在X上。全文中文翻譯我們放在文后。

和很多引起AI從業者廣泛討論的長文一樣，它嘗試給一個所有人都感受著的巨大變化一個描述和定義，而非在預測什么還沒發生的事情。

他認為AI技術演變此刻經歷的切換，是從推理式思考到agent式思考的變化。

他給后者的定義是：

Agentic thinking is a model that reasons through action. 智能體式思考指的就是一個通過行動來推理的模型。

這些判斷來自他自己對各個前沿實驗室所做嘗試的思考，以及在Qwen的訓練上直接踩過的坑。

OpenAI的O系列打開了推理時代，但這些推理不夠靈活，何時該快何時該慢，無法解決，Qwen的嘗試更是“沒完全做對”，因為復雜思考所需的訓練，和反而是很多客戶需要的直接快速回答的訓練，是沖突的。

在對比各家做法里，他認為Anthropic的做法最有啟發：思考應該為具體的工作目標服務。先判斷目標任務類型，再對應選擇模型思考方式。這樣，在編程等任務里，對AI推理質量的判斷標準得以從o系列的“長時間，重過程”的框子里跳出，并且更重要的是，這個思考過程需要天然就帶上工具調用、自我糾錯等能力。

這樣一來，模型的推理成為更復雜系統的一部分，新的推理能力需要通過對一整個agent系統的訓練來完成。

而與其他諸多雄文不同的是，他的內容沒停在這，而是直接給出了他認為的具體解法。甚至，在外界廣泛關注他的下一步的此刻，這也可以視作劇透：

除了具體到諸如“訓練和推理必須更清晰地解耦”，多agent系統里的分工，甚至是reward hacking 的具體有哪些“坑”等細節外，最重要的可能是這個判斷——

他認為隨著Agentic Thinking變得重要，以往更多由模型自己主導智能進步時的很多標準可以推翻了。

“訓練的核心對象已變，不再是單一模型，而變成了模型 + 環境構成的整個系統。更具體地說，是agent本身，配上圍繞它的一切工程。這意味著研究重要性也變了：模型架構和訓練數據自然是還很重要，但環境設計、吞吐基礎設施、評估器魯棒性、以及多個agent之間的協調，重要性一點不亞于前者。”

這意味著競爭的點也變成比拼誰有更好的訓練環境和更強的系統工程能力，以及在現實世界里做決策，然后得到真實反饋，再進行學習的這個RL循環的能力。

他直接點出來一個創業方向：“環境構建是下個熱門的創業方向”。

“環境構建正在從一個順手搭的實驗配件，變成一個獨立的創業賽道。如果你訓練的智能體最終要在類生產環境中運作，那這個環境本身就是你核心能力棧的一部分。”

他接下來要做的事情似乎也呼之欲出了。

在這些對整個技術所處階段的判斷之外，這篇文章也體現出林俊旸的個人思考方式特點。其中一個就是他對操控一整個復雜系統的癡迷。

他認為，未來的路線圖是三級跳：從訓練模型，到訓練智能體，再到訓練系統。

他的這篇文章必然會被拿來與已經掌管起騰訊模型的姚順雨一年前那篇《AI下半場》做對比，而對于一個復雜系統的執迷以及過去直接在最頂端操盤一整個大規模復雜系統的直接經驗，可能是這兩篇文章里體現思路上最大的不同。

從他對“agent化思考”的解釋可以看出，在這里agent已經不是被當作模型的某種應用形態，它最終會大過模型。

過去很長一段時間，大家對agent的討論的起點是，“模型很強大，要把它的能力釋放，構建一個agent是個不錯的主意”。《下半場》的文章里，最重要的觀點之一“語言通過agent中的推理實現泛化”也是這個意思。而林俊旸文章里體現出來的判斷則是：

agent已經是最核心的那個智能系統本身，模型反而應該只是其中一部分。

所以，接下來所有資源投入的方向、需要訓練和進化的也是這個系統本身。不再是要釋放模型能力，而是如何讓模型和系統里其他零部件一起最優化地得到訓練。

這是最大的變化，我們可能又到了一個可以打翻一切重新思考的時刻了。

附文章中文翻譯版

從“推理式思考”到“智能體式思考”

過去兩年，模型的評估方式，以及我們對模型能力的期待，都被徹底改寫了。OpenAI 的 o1 證明了一件事：“思考”本身可以成為一種一等能力——它不僅可以被專門訓練，也可以被直接暴露給用戶。DeepSeek-R1 則進一步證明，帶有“推理”風格的后訓練方法，不只存在于最初那幾家頂級實驗室內部，它是可以被復現、被擴展的。OpenAI 將 o1 描述為一個通過強化學習訓練、能夠“在回答前先思考”的模型；DeepSeek 則把 R1 定位為一個開放的推理模型，并宣稱其競爭力可以對標 o1。

那個階段當然很重要。但 2025 年上半年，行業主要討論的，仍然是“推理式思考”：如何讓模型在推理階段消耗更多計算、如何用更強的獎勵機制去訓練它、如何把這種額外的思考過程開放給用戶，或者加以控制。

現在真正的問題是：下一步是什么？

我認為答案是：智能體式思考。也就是，為了行動而思考；在與環境持續交互的過程中思考；并根據來自世界的反饋，不斷更新自己的計劃。

1. o1 和 R1 的崛起，真正教會了我們什么

第一波推理模型帶來的最重要啟示是：如果我們想把強化學習真正規模化地應用到語言模型上，就必須擁有確定、穩定、可擴展的反饋信號。因此，數學、代碼、邏輯以及其他可驗證領域迅速成為核心，因為在這些場景里，獎勵信號遠比一般的偏好監督更強。它們讓強化學習優化的是“正確性”，而不是“看起來合理”。

這時，基礎設施就變得至關重要。

一旦模型被訓練成可以沿著更長的軌跡進行推理，強化學習就不再只是監督微調之上的一個輕量附加層，而會變成一個系統工程問題。你需要大規模 rollout，需要高吞吐的驗證機制，需要穩定的策略更新，還需要高效采樣。推理模型的出現，本質上既是一個建模故事，也是一個基礎設施故事。OpenAI 將 o1 描述為一條通過強化學習訓練出來的“推理模型線”；而后來的 DeepSeek R1，又進一步證明了：基于推理的強化學習，需要大量專門的算法與基礎設施工作支撐。

第一個重大轉折已經非常清楚：從擴展預訓練，轉向擴展面向推理的后訓練。

2. 真正的問題，從來不只是“把 Thinking 和 Instruct 合并”

在 2025 年初，我們 Qwen 團隊內部曾經有過一個相當宏大的設想：理想中的系統，應該把 thinking 模式和 instruct 模式統一起來。它應當支持可調節的推理強度，類似 low / medium / high 這樣的思考檔位。更進一步，它最好還能根據 prompt 和上下文自動推斷出合適的思考量，讓模型自己決定：什么時候立刻回答，什么時候多想一會兒，什么時候則值得為一個真正困難的問題投入更多算力。

從概念上看，這個方向當然是對的。Qwen3 就是其中最清晰、最公開的一次嘗試之一。它提出了“混合思考模式”，在同一個模型家族中同時支持 thinking 和 non-thinking 兩類行為，強調可控的思考預算，并描述了一條四階段的后訓練流程，其中在長鏈式思維冷啟動和推理強化學習之后，還明確包含了“思考模式融合”這一步。

但“合并”這件事，說起來容易，真正做好卻非常難。

最難的部分，其實是數據。

當人們談論如何融合 thinking 和 instruct 時，首先想到的往往是模型側的兼容性：一個 checkpoint 能不能同時支持兩種模式？一個 chat template 能不能在二者之間切換？一個 serving stack 能不能把這些控制開關優雅地暴露出來？

但更深層的問題在于：這兩種模式的數據分布和行為目標，本質上差異很大。

我們在嘗試平衡模型融合與后訓練數據質量、多樣性提升的過程中，并沒有把所有事情都做對。與此同時，我們也非常關注用戶實際是如何使用 thinking 模式和 instruct 模式的。一個強 instruct 模型，通常會因為以下特性而被獎勵：直接、簡潔、格式服從性強、低延遲，尤其擅長處理那些重復性高、吞吐量大、企業場景常見的任務，比如改寫、標注、模板化客服、結構化抽取、運營問答等。一個強 thinking 模型，則會因為愿意在難題上消耗更多 token、能維持清晰的中間推理結構、會探索替代路徑、并保留足夠多的內部計算以切實提高最終正確率，而獲得獎勵。

這兩種行為畫像，本身就是彼此拉扯的。

如果融合數據沒有被極其謹慎地整理，最終結果通常就是“兩頭都不夠好”：thinking 側會變得嘈雜、臃腫、或者缺乏決斷力；instruct 側則會失去原本的干脆、可靠和低成本，而這恰恰是商業用戶真正想要的。

所以在實踐中，“分開做”依然很有吸引力。到了 2025 年后期，在 Qwen3 最初提出 hybrid framing 之后，2507 系列又分別發布了獨立的 Instruct 和 Thinking 更新，包括各自獨立的 30B 和 235B 版本。在商業部署里，大量客戶依舊明確需要高吞吐、低成本、高可控的 instruct 行為，去處理批量任務。對于這些場景來說，“融合”并不顯然是一種優勢。將兩條線拆開，反而讓團隊可以更專注地解決各自模式背后的數據和訓練問題。

當然，也有其他實驗室走了相反的路。Anthropic 公開主張一種“集成式模型”哲學：Claude 3.7 Sonnet 被介紹為一個混合推理模型，用戶既可以選擇普通回答，也可以開啟 extended thinking，API 用戶還可以設置 thinking budget。Anthropic 明確表示，他們相信推理能力應該是集成在模型內部的能力，而不是一個獨立模型。GLM-4.5 也公開把自己定位成一個同時包含 thinking 與 non-thinking 模式的混合推理模型，把推理、編碼和 agent 能力統一在一起；DeepSeek 隨后也在 V3.1 的“Think & Non-Think”混合推理中，朝著類似方向推進。

真正關鍵的問題，其實是：這種合并是不是“自然長出來”的。

如果 thinking 和 instruct 只是被強行塞進同一個 checkpoint 里，但表現出來仍然像兩個別扭拼接在一起的人格，那最終的產品體驗依舊會很不自然。真正成功的融合，應該呈現出一個平滑的推理強度譜系。模型應當能夠表達多種不同層級的思考投入，最好還能自適應地做出選擇。GPT 風格的 effort control 所指向的，其實正是這個方向：它不是一個二元開關，而是一種關于計算資源分配的策略。

3. 為什么 Anthropic 的方向，是一次有價值的糾偏

Anthropic 在 Claude 3.7 和 Claude 4 上的公開表述一直相對克制。他們強調的是集成式推理、用戶可控的思考預算、真實世界任務、代碼質量，以及后來進一步強調的——在 extended thinking 過程中調用工具的能力。Claude 3.7 被定義為一個擁有可控預算的混合推理模型；Claude 4 則把這件事又往前推進了一步：允許推理與工具使用交錯發生。與此同時，Anthropic 始終把編碼、長時程任務和 agent 工作流視為主要目標。

更長的推理痕跡，并不會自動讓模型變得更聰明。

很多時候，過度暴露出來的“思考過程”，恰恰說明模型的資源分配出了問題。如果一個模型試圖以同樣冗長的方式去“思考所有事情”，那它可能并不是更深刻，而是沒能正確排序優先級、沒能有效壓縮信息、也沒能及時行動。Anthropic 的路線，某種程度上體現了一種更有紀律的看法：思考應當被目標工作負載塑形。

如果目標是編碼，那么思考就應該幫助模型完成代碼庫導航、任務規劃、問題拆解、錯誤恢復與工具編排。

如果目標是 agent 工作流，那么思考就應該提升它在長時間跨度執行中的質量，而不是只產出一段看起來很厲害的中間 prose。

這種對“針對性效用”的強調，其實指向了更大的變化：我們正在從“訓練模型”的時代，走向“訓練智能體”的時代。

我們在 Qwen3 的博客里其實也明確寫過這一點：“我們正從一個聚焦于訓練模型的時代，轉向一個以訓練智能體為中心的時代。”同時，我們也把未來強化學習的進展，與環境反饋驅動下的長時程推理聯系在一起。

所謂智能體，是一種能夠制定計劃、決定何時行動、使用工具、感知環境反饋、修正策略，并在長時間尺度上持續推進任務的系統。它的定義，不在于會不會“多想一點”，而在于它是否能與世界形成閉環交互。

4. “智能體式思考”到底意味著什么

智能體式思考，對應的是一種完全不同的優化目標。

傳統的推理式思考，通常看的是：在給出最終答案之前，模型內部的 deliberation 質量如何。它能不能把定理做出來？能不能寫出證明？能不能生成正確代碼？能不能通過 benchmark？

而智能體式思考關注的是另一件事：模型在與環境交互的過程中，能否持續推進任務。

核心問題也因此發生了變化：它不再是“模型能不能思考得足夠久”，而是“模型能不能以一種能夠支撐有效行動的方式去思考”。

智能體式思考必須處理好幾類事情，而這些恰恰是純推理模型往往可以回避的：

• 什么時候該停止思考，轉而采取行動

• 應該調用哪個工具，以及調用順序是什么

• 如何吸收來自環境的噪聲信息或不完整觀測

• 失敗后如何修改計劃

• 如何在多輪交互、多次工具調用中保持連貫性

歸根到底，智能體式思考，就是一種通過行動來完成推理的模型能力。

5. 為什么面向智能體的強化學習基礎設施更難

一旦目標從“解 benchmark 題”切換為“完成交互式任務”，強化學習的整個技術棧也會隨之改變。經典推理強化學習所使用的那套基礎設施，已經不夠用了。

在傳統 reasoning RL 中，rollout 往往可以被視作相對封閉的軌跡，評估器也通常比較干凈、明確。而在 agentic RL 里，策略本身被嵌入進了一個更大的執行框架中：工具服務器、瀏覽器、終端、搜索引擎、模擬器、執行沙箱、API 層、記憶系統，以及各種 orchestration framework。環境不再只是一個靜態驗證器，而成了訓練系統本身的一部分。

這會帶來一個新的系統性要求：訓練與推理必須被更徹底地解耦。

如果做不到這一點，rollout 的吞吐量就會迅速崩掉。想象一個編碼智能體：它需要把自己生成的代碼扔到一個真實的測試框架里去執行。此時，推理側會因為等待執行反饋而停滯，訓練側則因為拿不到已完成軌跡而“斷糧”，整個流水線的 GPU 利用率會遠低于經典 reasoning RL 的水平。再疊加工具延遲、部分可觀測性和有狀態環境，這種低效只會被進一步放大。結果就是：在你真正抵達目標能力水平之前，實驗速度就已經慢到令人痛苦。

與此同時，環境本身也開始成為一種一等研究對象。

在 SFT 時代，我們癡迷于數據多樣性；而在 agent 時代，我們更應該癡迷于環境質量：它是否穩定、是否真實、覆蓋度夠不夠、難度是否合適、狀態空間是否足夠豐富、反饋是否足夠有信息量、是否抗 exploit、rollout 生成能不能規模化。

環境構建，已經開始從一個“順手做的副項目”，逐漸變成一個真正的創業賽道。因為如果你訓練的是一個要在接近生產環境的設置中運行的智能體，那么環境本身就是核心能力棧的一部分。

6. 下一個前沿，是“更可用的思考”

我的判斷是，智能體式思考會成為主導性的思考范式。它最終甚至可能替代掉很大一部分舊式、靜態、獨白式的推理：那種過長、封閉的內部思考痕跡，試圖靠吐出越來越多文本，來彌補缺乏交互能力的不足。即便是在非常困難的數學或編碼任務上，一個真正先進的系統，也理應擁有搜索、模擬、執行、檢查、驗證、修正的權利。我們的目標，是讓它穩健且高產地解決問題。

訓練這類系統時，最難的問題之一，是 reward hacking。

一旦模型真正擁有了工具訪問能力，reward hacking 就會變得危險得多。一個能搜索的模型，可能會在 RL 過程中學會直接查答案；一個編碼智能體，可能會利用代碼倉庫里的未來信息、濫用日志、或者發現某些能讓任務“看似完成”的捷徑，從而讓評估失真。只要環境里存在隱藏泄漏，策略就可能看起來像“超人”，但其實它學會的只是作弊。

這也是為什么，智能體時代會比推理時代更加脆弱、更加精細。更強的工具會讓模型更有用，但同時也會顯著擴大虛假優化的攻擊面。接下來真正嚴肅的研究瓶頸，很可能會集中在環境設計、評估器魯棒性、反作弊協議，以及 policy 與真實世界之間更原則化的接口設計上。

但方向已經非常清楚了：帶工具的思考，天然比孤立的思考更有用，也更有可能真正提升生產力。

智能體式思考還將意味著另一件事：執行框架工程（harness engineering） 會變得越來越重要。未來的核心智能，越來越可能來自多個智能體是如何被組織起來的：一個負責任務規劃和路由的 orchestrator，一組扮演領域專家的專用智能體，以及若干執行更窄任務的 sub-agents；它們共同幫助系統控制上下文、避免污染，并在不同層級的推理之間維持隔離。

未來的演進路徑會是：從訓練模型，到訓練智能體；再從訓練智能體，到訓練系統。

結論

這一輪推理浪潮的第一階段，已經確認了一件非常重要的事：當反饋信號足夠可靠、基礎設施足夠支撐時，疊加在語言模型之上的強化學習，確實能夠產生質變級別的認知提升。

但更深層的轉變，其實是：從推理式思考，走向智能體式思考；從“思考更久”，走向“為了行動而思考”。

訓練的核心對象已經變了。它不再只是模型本身，而是“模型 + 環境”的整個系統；更具體地說，是智能體，以及包裹在它周圍的那套執行框架。這也改變了什么才是最重要的研究資產：當然仍然包括模型架構和訓練數據，但同樣重要的，還有環境設計、rollout 基礎設施、評估器魯棒性，以及多個智能體彼此協作時所依賴的接口。

它還改變了我們對“好思考”的定義：真正有價值的，不再是最長、最顯眼的思維痕跡，而是那個最能支撐行動在真實世界約束下持續推進的思考軌跡。

它甚至還改變了競爭優勢將來自哪里。

在推理時代，優勢主要來自更好的強化學習算法、更強的反饋信號、以及更可擴展的訓練流水線；而在智能體時代，優勢將更多來自更好的環境、更緊密的訓練—服務一體化、更強的執行框架工程能力，以及把模型決策與真實后果閉環連接起來的能力。

點個“愛心”，再走 吧