3月26日晚間，前千問技術負責人林俊旸在x上發布長文詳談自己對大模型發展路線的理解及對AI下一階段的預判，這也是林俊旸自阿里離職后，首度發聲。

原文：Junyang Lin (@JustinLin610)

翻譯：文心一言（注：有錯誤的希望大家指正）

文本正文

過去兩年重塑了我們評估模型的方式和對模型的期望。OpenAI 的 o1 證明了「思考」可以成為一種核心能力——一種你專門訓練并向用戶開放的能力。DeepSeek-R1 證明了推理風格的后訓練可以在原始實驗室之外被復現和規模化。OpenAI 將 o1 描述為一個通過強化學習訓練的模型，讓它「在回答之前先思考」。DeepSeek 則將 R1 定位為一個與 o1 競爭的開源推理模型。

那個階段很重要。但 2025 年上半年主要是關于推理思考（reasoning thinking）：如何讓模型在推理時投入更多計算，如何用更強的獎勵信號來訓練它們，如何展示或調控額外的推理投入。

現在的問題是：下一步是什么？我認為答案是智能體思考（agentic thinking）：為了行動而思考，同時與環境交互，并根據來自真實世界的反饋持續更新計劃。

1. o1 和 R1 的崛起真正教會了我們什么

第一波推理模型教會了我們：如果想在語言模型中擴展強化學習，我們需要確定性的、穩定的、可擴展的反饋信號。數學、代碼、邏輯和其他可驗證領域成為核心，因為這些場景中的獎勵信號比通用的偏好監督強得多。它們讓 RL 能針對「正確性」而非「看起來合理」來優化。基礎設施變得至關重要。

一旦模型被訓練為通過更長的軌跡進行推理，RL 就不再是監督微調的輕量級附加組件，而變成了一個系統工程問題。你需要大規模的 rollout、高吞吐量的驗證、穩定的策略更新、高效的采樣。推理模型的出現既是一個基礎設施故事，也是一個建模故事。

第一個重大轉變：從擴展預訓練到擴展推理后訓練。

2. 真正的問題從來不只是「合并思考和指令模式」

2025 年初，Qwen 團隊中的很多人有一個宏大的愿景：理想的系統應該統一思考模式和指令模式。它應該支持可調節的推理力度，類似于低/中/高的推理設置。更好的是，它應該能從提示和上下文中自動推斷合適的推理量，讓模型自己決定何時立即回答、何時多想一會兒、何時為真正困難的問題投入大量計算。

概念上，這是正確的方向。Qwen3 是最清晰的公開嘗試之一。它引入了「混合思考模式」，在一個模型家族中同時支持思考和非思考行為，強調可控的思考預算，并描述了一個四階段后訓練流程，明確包含了在長 CoT 冷啟動和推理 RL 之后的「思考模式融合」。

但合并說起來容易，做好很難。難點在于數據。當人們談論合并思考和指令時，往往首先想到模型端的兼容性：一個檢查點能否支持兩種模式，一個聊天模板能否在兩者之間切換，一個服務棧能否提供合適的控制開關。更深層的問題是，兩種模式的數據分布和行為目標有本質差異。

我們在試圖平衡模型合并與提高后訓練數據質量和多樣性時，并沒有完全做對：

• 一個好的指令模型通常因直接、簡潔、格式合規、低延遲而獲得獎勵——服務于重寫、標注、模板化客服、結構化提取和運營 QA 等重復性高吞吐企業任務。
• 一個好的思考模型則因在困難問題上花更多 token、保持連貫的中間結構、探索替代路徑、保留足夠的內部計算來切實提高最終答案的正確性。

這兩種行為配置是相互拉扯的。如果合并數據沒有精心策劃，結果通常是兩邊都平庸：「思考」行為變得噪聲大、臃腫或不夠果斷，而「指令」行為變得不夠干脆、不夠可靠，且比商業用戶實際需要的更昂貴。

實踐中，分離仍然有吸引力。2025 年晚些時候，Qwen3 的 2507 系列發布了獨立的 Instruct 和 Thinking 更新，包括獨立的 30B 和 235B 變體。在商業部署中，大量客戶仍然需要高吞吐、低成本、高度可控的指令行為來進行批量操作。對于這些場景，合并并不是明顯的好處。

其他實驗室選擇了相反的路線。Anthropic 公開倡導集成模型哲學：Claude 3.7 Sonnet 作為混合推理模型推出，用戶可以選擇普通回復或擴展思考，API 用戶可以設置思考預算。Anthropic 明確表示，他們相信推理應該是一種集成能力，而不是一個單獨的模型。

關鍵問題是合并是否有機。如果思考和指令只是被共同放置在一個檢查點內，但仍然表現得像兩個尷尬縫合的人格，產品體驗就仍然不自然。真正成功的合并需要平滑的推理力度光譜。模型應該能表達多個層次的努力，并理想地在它們之間自適應選擇。GPT 風格的 effort control 指向了這一點：一種關于計算的策略，而非一個二元開關。

3. 為什么 Anthropic 的方向是有益的矯正

產生更長的推理軌跡并不會自動讓模型更智能。在很多情況下，過多的可見推理痕跡反而暴露了糟糕的計算分配。如果模型對什么問題都用同樣冗長的方式推理一遍，說明它無法有效排序優先級、無法精簡壓縮、也無法果斷行動。Anthropic 的路線暗示了一種更克制的理念：思考應該圍繞具體的任務目標來組織。

這種對目標效用的強調指向更大的東西：我們正在從訓練模型的時代走向訓練 Agent 的時代。Agent 是一個能制定計劃、決定何時行動、使用工具、感知環境反饋、修訂策略、并在長時間范圍內持續運行的系統。它由與世界的閉環交互來定義。

4. 「智能體思考」到底意味著什么

智能體思考是一個不同的優化目標。

• 推理思考
• 通常以最終答案前的內部推導質量來衡量：模型能否解出定理、寫出證明、產生正確的代碼、或通過基準測試。
• 智能體思考
• 關注的是模型能否在與環境交互的同時持續取得進展。

核心問題從「模型能否思考足夠長？」轉變為「模型能否以一種維持有效行動的方式來思考？」

智能體思考必須處理純推理模型大多可以避免的幾件事：

• 決定何時停止思考并采取行動；
• 選擇調用哪個工具，以什么順序；
• 整合來自環境的嘈雜或不完整的觀察；
• 在失敗后修訂計劃；
• 在多輪和多次工具調用中保持連貫性。

智能體思考，就是讓模型通過行動來推理。

5. 為什么智能體 RL 基礎設施更難

一旦目標從解決基準測試問題轉向解決交互式任務，RL 技術棧就變了。用于經典推理 RL 的基礎設施不夠用了。在智能體 RL 中，模型的策略被嵌入到一個更龐大的外圍系統中：工具服務器、瀏覽器、終端、搜索引擎、模擬器、執行沙箱、API 層、記憶系統和編排框架。環境不再是靜態的驗證器，它本身就是訓練系統的一部分。

這創造了新的系統需求：訓練和推理必須更干凈地解耦。沒有這種解耦，rollout 吞吐量就會崩潰。想象一個編碼 Agent，需要在實時測試環境中運行它生成的代碼：推理端卡在那里等執行反饋，訓練端因為拿不到足夠的完整軌跡而空轉，整個管道運行遠低于預期的 GPU 利用率。

環境本身也成為一級研究產物。在 SFT 時代，我們癡迷于數據多樣性。在 Agent 時代，我們應該癡迷于環境質量：穩定性、現實性、覆蓋范圍、難度、狀態多樣性、反饋豐富度、防利用性和 rollout 生成的可擴展性。環境構建已經開始從邊緣項目變成一個真正的創業品類。

6. 下一個前沿是更有用的思考

我的預期是智能體思考將成為主導的思考形式。它最終可能會取代大部分舊的靜態獨白式推理思考：那種過于冗長、孤立的內部軌跡，試圖通過輸出越來越多的文本來彌補缺乏交互的不足。即使在非常困難的數學或編碼任務上，一個真正先進的系統也應該有權搜索、模擬、執行、檢查、驗證和修訂。目標是穩健而高效地解決問題。

訓練這類系統最難的挑戰是獎勵作弊（reward hacking）。一旦模型獲得有意義的工具訪問，獎勵作弊就變得危險得多。有搜索能力的模型可能在 RL 期間學會直接搜索答案。編碼 Agent 可能會利用代碼倉庫中的未來信息走捷徑。存在隱性信息泄漏的訓練環境，可以讓模型表現看起來超越人類，但實際上只是在訓練它作弊。

智能體思考也意味著工具架工程（harness engineering）。核心智能將越來越多地來自多個 Agent 如何被組織：一個規劃和路由工作的編排者，充當領域專家的專業 Agent，以及執行更窄任務的子 Agent。未來是從訓練模型到訓練 Agent，從訓練 Agent 到訓練系統的轉變。

結論

更深層的轉變是從推理思考到智能體思考：從更長的思考到為了行動而思考。訓練的核心對象已經改變了。它不再是單獨的模型，而是模型加環境的系統。這改變了「好的思考」意味著什么：在真實世界約束下維持行動的最有用的軌跡，而不是最長或最可見的那個。

在推理時代，優勢來自更好的 RL 算法、更強的反饋信號和更可擴展的訓練管道。在 Agent 時代，優勢將來自更好的環境、更緊密的訓練-服務集成、更強的工具架工程，以及讓模型的決策和決策帶來的后果形成閉環的能力。