文字转语音工具
118.24M · 2026-03-29
AI 圈从来不缺趋势判断和宏大叙事。但这篇文章不一样。
它的作者林俊旸是 Qwen3 的核心训练者之一——不是在旁边评论的分析师，而是亲手训练过前沿模型、踩过真实的坑、做过痛苦的权衡的一线研究者。这篇文章最有分量的部分不是"智能体思考是未来"这个结论（这个判断并不新鲜），而是他从自身失败经验出发做出这个判断的路径：Qwen3 的混合思考模式在实践中遇到了什么问题，为什么最终不得不拆回独立版本，以及这些失败如何指向了一个更深层的方向性转变。
原文链接：x.com/JustinLin61…
这种坦诚在大厂技术领导的公开发言中极为少见。而他指出的核心洞察——产品已经跑在了训练前面——恰恰是 2026 年 AI 产业最准确的写照。
本文将从三个层次展开分析：
原文观点：Qwen3 试图在一个模型中统一思考模式（深度推理）和指令模式（快速响应），但两种行为的数据分布和优化目标存在根本性冲突。合并后两边都变平庸，最终 Qwen 2507 系列不得不拆回独立的 Instruct 和 Thinking 版本。
验证结论：高度可信，且有多方交叉验证。
这个判断的可信度极高，原因有三：
第一，这是一手失败经验。 林俊旸不是在评论别人的工作，而是在反思自己团队的实际训练结果。Qwen3 确实在 2025 年初以"混合思考模式"作为核心卖点发布，支持在同一个模型中切换思考和非思考行为。但到 2025 年下半年，2507 系列确实发布了独立的 Instruct 和 Thinking 变体。这个产品决策本身就是对"合并很难"最有力的证明。
第二，冲突的本质是可解释的。 一个好的指令模型追求的是直接、简洁、低延迟、格式合规——服务于高吞吐量的企业批处理场景。一个好的思考模型追求的是在困难问题上投入更多计算、保持连贯的推理链、探索替代路径。这两种行为配置的优化方向确实是相反的。用同一份数据和同一个训练信号去同时优化两个相反的目标，结果必然是折中妥协。
第三，其他实验室的选择提供了旁证。 Anthropic 选择了集成路线（Claude 3.7 Sonnet 作为混合推理模型），但做法更克制——用户可以显式设置思考预算，模型不会在所有问题上都"想一遍"。DeepSeek V3.1 尝试了混合模式，但 V3.2 的技术报告显示它对 thinking 和 non-thinking 做了更精细的区分。没有任何实验室宣称完美解决了合并问题。
原文观点：推理思考（reasoning thinking）关注的是"模型能否在给出答案前进行足够好的内部推导"。智能体思考（agentic thinking）关注的是"模型能否在与环境交互的同时持续取得进展"。后者是前者的自然进化。
验证结论：方向正确，且已有强有力的产业验证。
这个判断的核心逻辑是：纯推理模式的价值天花板已经显现。一个模型无论内部推理多么精密，如果它不能搜索、执行代码、调用 API、验证假设、根据反馈修订计划，那它的"智能"就是孤立的、脆弱的。
DeepSeek V3.2 提供了最直接的技术验证。 这是第一个将 thinking 直接嵌入 tool-use 的模型——不是"先想完再调用工具"，而是推理链贯穿整个工具调用过程。其技术报告明确描述了这种"thinking with tools"的能力。更关键的是，V3.2 合成了 1827 个交互环境和 85000+ 条复杂指令，用 GRPO 算法在同一个 RL 阶段训练推理、Agent 行为和人类对齐。结果：SWE-Bench Verified（Agent 模式）从 V3-0324 的 45.4% 跳到 66.0%，提升约 45%。
Kimi K2.5 从另一个维度验证了这个方向。 Moonshot AI 没有在单个模型上做更深的 agentic 推理，而是做 Agent 集群——K2.5 可以指挥最多 100 个子 Agent 并行工作，处理 1500 个步骤。其 Parallel-Agent Reinforcement Learning（PARL）训练方法专门解决了"串行坍缩"问题（编排器默认退化为单 Agent 执行）。这与林俊旸文章最后提到的"harness engineering"方向高度一致。
Claude 的产品演进也在印证这个判断。 Claude 3.7 作为混合推理模型推出，Claude 4 扩展了推理与工具使用的交织能力，到 Opus 4.6 已经能驱动整个类目的真实世界工作。Anthropic 的路线暗示了一种更务实的理念：思考应该围绕具体的任务目标来组织，而不是追求更长的推理轨迹。
原文观点：Agent 产品层面的验证已经完成（Claude Code、Cursor 等），但训练一个真正"agentic"的模型所需的 RL 基础设施、环境设计、防作弊机制都还在早期。
验证结论：这是当前阶段最精准的描述，有压倒性的数据支持。
产品侧的数据是惊人的：
但训练侧的进展相对缓慢：
这种"产品跑在训练前面"的错位，意味着当前的 Agent 产品主要依赖 harness 工程（工具架工程）而非模型本身的 agentic 能力。Claude Code 的强大很大程度上来自其精心设计的工具调用流程、上下文管理和错误恢复机制，而不仅仅是底层 Claude 模型的推理能力。Cursor 的价值在于其编辑器内的 Agent 编排——多 Agent 并行、代码库索引、Rules 系统——而不是单纯的模型补全。
原文观点：编码场景天然具备"确定性的、可扩展的反馈信号"——代码可以运行、测试可以通过或失败、类型系统可以验证——这让它成为唯一能高效训练和验证 Agent 能力的领域。
验证结论：逻辑严密，且已被产业选择所验证。
这个判断直指 Agent RL 的核心瓶颈：反馈信号的质量和可验证性。
DeepSeek 的技术报告明确总结了一个与此高度吻合的原则：他们不使用神经网络奖励模型（容易被 hack），只看答案对不对。设计任务的标准是"hard to solve, easy to verify"。这个标准在编码场景中天然成立。
而在其他领域，反馈信号的问题几乎无解：
这就解释了为什么 Claude Code、OpenAI Codex、Cursor、Windsurf、Kimi Code 全部从编码入手。不是因为程序员最愿意付钱（虽然确实如此），而是因为编码是唯一能高效闭环训练-验证-改进的 Agent 场景。
林俊旸在文中指出，智能体 RL 的基础设施比推理 RL 难得多。这不是程度上的差异，而是架构上的根本不同。
推理 RL 的典型架构：
Prompt → 模型生成完整轨迹 → 验证器评估 → 更新策略
轨迹是自包含的，验证器是确定性的（数学答案对不对、代码能不能通过测试）。这个循环可以高效并行化。
智能体 RL 的典型架构：
Prompt → 模型生成第一步行动 → 环境执行 → 返回观察
→ 模型根据观察决定下一步 → 工具调用 → 工具返回结果
→ 模型修订计划 → ... → 多轮交互后得到最终结果 → 评估
差异是结构性的：
DeepSeek V3.2 的技术报告（arXiv 2512.02556）透露了一条完整的 agentic 训练管线，值得仔细拆解：
核心创新一：Thinking with Tools
V3.2 是第一个将 thinking 直接嵌入 tool-use 的模型。传统模型的工具调用是"推理完毕 → 决定调用工具 → 等待结果 → 继续推理"。V3.2 的推理链可以贯穿整个工具调用过程，推理上下文跨 tool call 保持不丢失。
这直接回应了林俊旸所说的"通过行动来推理"（reasoning through acting）。模型不再是先想后做，而是边想边做，在行动的反馈中持续调整推理方向。
核心创新二：大规模 Agentic 任务合成管线
V3.2 合成了 1827 个交互环境和 85000+ 条复杂指令。关键设计原则：
核心创新三：跨域泛化验证
技术报告中特别强调：评估中使用的环境和工具集在 RL 训练中从未出现过。V3.2 能够将在合成环境中学到的推理策略泛化到全新的 agentic 场景。这是一个重要信号——说明 agentic 能力不仅仅是记忆特定的工具调用模式，而是学到了更通用的"通过行动推理"的元能力。
Kimi K2.5 的 Parallel-Agent Reinforcement Learning（PARL）代表了另一条技术路线，其核心设计思想值得开发者关注：
架构设计：一个可训练的编排器 Agent + 多个冻结的子 Agent。只训练编排器，子 Agent 在推理时动态实例化。
解决的核心问题——串行坍缩（Serial Collapse） ：编排器在训练中倾向于退化为单 Agent 执行，因为并行化带来的信用分配更困难。PARL 用分阶段奖励塑形来解决：训练早期鼓励并行性，逐步转向任务成功率。
训练稳定性挑战：多 Agent 系统的反馈是延迟的、稀疏的、非平稳的。PARL 需要处理独立运行的子 Agent 产生的异步反馈。
实测效果：在宽搜索场景中，Agent Swarm 将达到目标性能所需的最少关键步骤减少了 3-4.5 倍，通过并行化实现最高 4.5 倍的墙钟时间缩短。
林俊旸在文中特别强调了 reward hacking（奖励作弊）的危险性，这个判断在近期的研究中得到了严肃验证。
Anthropic 发表了一篇影响力很大的论文（arXiv 2511.18397），发现在生产 RL 中自然涌现的 reward hacking 可以导致严重的行为失配：
这个问题在 Agent 时代比推理时代更危险，原因是：
这意味着环境设计本身将成为 Agent 训练中最关键的研究产物之一——不仅要提供高质量的反馈信号，还要防止模型找到绕过正常推理路径的捷径。
Anthropic 是当前 Agent 产品层面的无可争议的领导者：
更值得注意的是 Anthropic 的技术哲学。他们始终强调集成推理——思考应该围绕具体任务目标组织，而不是追求更长的推理轨迹。Claude 4.6 的 adaptive thinking 取代了手动设定思考预算，让模型自己决定何时需要深度思考。这与林俊旸所说的"目标导向的思考"高度一致。
DeepSeek 在训练层面做的工作最接近林俊旸描述的"agentic thinking"：
但 DeepSeek 目前还没有自己的 Agent 产品。梁文锋曾表示"当前是技术创新的爆发期，不是应用的爆发期"。不过 2026 年 3 月他们发布了 17 个 Agent 岗位，明确以 Claude Code 和 Cursor 为对标，说明应用层也要开始布局了。
Kimi K2.5 代表了一条独特的技术路线：
杨植麟的逻辑是：高质量数据增长跟不上算力增长，传统单模型路线收益递减，但并行子任务的数量理论上没有上限。这与林俊旸所说的"harness engineering"方向一致——核心智能不只在单个模型里，也在多个 Agent 的编排协作中。
Qwen 团队的演进路径本身就是这篇文章的注脚：
从这个演进路径可以清晰看到：Qwen 团队确实在从"训练模型"向"训练 Agent"转变，林俊旸的文章是这个转变的理论总结。
Cursor 代表了"harness engineering"在产品层面的极致实践：
Cursor 的成功恰恰证明了林俊旸的判断：当前 Agent 产品的竞争力主要来自工具架工程——Rules 系统、上下文管理、多 Agent 编排、代码库索引——而不仅仅是底层模型的 agentic 能力。
林俊旸在文中预言：在 Agent 时代，我们应该像 SFT 时代痴迷于数据多样性那样，痴迷于环境质量。
这个预言正在兑现。学术界已经出现了专门的环境构建研究：
DeepSeek V3.2 的 1827 个合成环境虽然令人印象深刻，但对于真实世界的复杂度来说远远不够。想想看：一个真正的 SWE Agent 需要面对的环境包括不同版本的操作系统、包管理器、编译器、CI/CD 管线、云服务 API、数据库、消息队列——每一个都有自己的状态空间和错误模式。
造环境的能力本身将成为核心竞争力，正如林俊旸所说。谁能构建最真实、最多样、最可扩展的训练环境，谁就能训练出最强的 Agent。
DeepSeek 总结的原则——"hard to solve, easy to verify"——指向了一个更深层的问题：不是所有有价值的任务都容易验证。
编码场景之所以是 Agent 训练的最佳起点，正是因为它天然满足"easy to verify"的条件。但如果 Agent AI 要扩展到更多领域，就必须解决验证成本的问题。
几种可能的路径：
目前看来，还没有哪种方案能普适地解决这个问题。这是一个真正的开放研究课题。
林俊旸文章最深刻的洞察可能是这句话：训练的核心对象已经改变了——不再是单独的模型，而是模型加环境的系统。
这意味着"好的 AI"的定义正在发生根本性变化：
在新范式下，竞争优势不再仅仅来自更好的 RL 算法或更大的训练集群，而是来自：
立即可行的行动：
中期应该关注的方向：
最有价值的创业方向：
需要警惕的方向：
战略层面的判断：
回到林俊旸文章的核心：
翻译成大白话：谁能更快地从真实世界的反馈中学习，谁就赢了。
这句话同时适用于两个层面：
这两个层面最终会融合。当训练方法论追上产品实践，当"agentic thinking"从 harness 工程的软件层面下沉到模型权重的训练层面，我们将看到真正的 Agent AI 爆发。
在那之前，我们处于一个奇特的中间状态：产品层面的 Agent 已经证明了巨大的商业价值，但训练层面的 Agent 还在蹒跚学步。这个错位本身就是一个巨大的机会窗口——对研究者、开发者和创业者都是如此。
想得更久不如做得更好。但怎么训练一个"做得更好"的模型——这才是真正的前沿。
