智東西
編譯｜李水青
編輯｜心緣

智東西3月27日報道，昨日晚間，前阿里千問大模型負(fù)責(zé)人林俊旸（Junyang Lin）在社交平臺X上發(fā)表了《從“推理式思考”到“智能體式思考”（From “Reasoning” Thinking to “Agentic” Thinking）》的長文，引起AI技術(shù)產(chǎn)業(yè)圈關(guān)注。

這是繼掀起阿里離職風(fēng)波后，他首次在X平臺正式發(fā)文。在文中，他主要闡述了AI技術(shù)和產(chǎn)業(yè)發(fā)展的脈絡(luò)，也不免透露出對千問大模型技術(shù)路線的反思。文章主要核心觀點如下：

1、我們正從訓(xùn)練模型的時代轉(zhuǎn)向訓(xùn)練智能體的時代。智能體式思考是指為了行動而思考，在與環(huán)境交互中持續(xù)更新計劃。

2、o1和R1的崛起教會了我們：從擴展預(yù)訓(xùn)練轉(zhuǎn)向擴展推理后訓(xùn)練，強化學(xué)習(xí)已成為系統(tǒng)工程，基礎(chǔ)設(shè)施與可驗證反饋是關(guān)鍵。

3、Qwen團隊曾認(rèn)為理想的系統(tǒng)應(yīng)該統(tǒng)一思考模式和指令模式，但合并思考和指令，說起來容易，做起來難得多。難點在于數(shù)據(jù)。

4、當(dāng)試圖在模型合并與提升后訓(xùn)練數(shù)據(jù)的質(zhì)量和多樣性之間尋找平衡時，我們并未把所有事情都做對。

5、環(huán)境本身正在成為一流的研究對象。在智能體時代，我們應(yīng)該專注于環(huán)境的質(zhì)量，而非僅僅關(guān)注數(shù)據(jù)多樣性。

6、更好的工具讓模型更有用，但也放大了獎勵破解的攻擊面。

7、未來競爭優(yōu)勢將從更好的算法，轉(zhuǎn)向更好的環(huán)境、更緊密的訓(xùn)練-服務(wù)集成，以及更強的框架工程。

林俊旸發(fā)文的原文內(nèi)容編譯如下：

過去兩年重塑了我們評估模型的方式以及對模型的期望。OpenAI的o1表明，“思考”可以成為一種一流的能力，是你可以為此進(jìn)行訓(xùn)練并向用戶展示的東西。DeepSeek-R1證明了基于推理的后訓(xùn)練可以在原始實驗室之外被復(fù)現(xiàn)和擴展。OpenAI將o1描述為一個通過強化學(xué)習(xí)訓(xùn)練出來的、“在回答前先思考”的模型。DeepSeek則將R1定位為一個能與o1競爭的開放推理模型。

那個階段很重要。但2025年上半年主要關(guān)注的還是推理思考：如何讓模型投入更多推理時計算，如何用更強的獎勵信號訓(xùn)練它們，以及如何展現(xiàn)或控制這種額外的推理努力?，F(xiàn)在的問題是，接下來是什么。我相信答案是智能體式思考：為了行動而思考，在與環(huán)境交互的同時，根據(jù)來自世界的反饋持續(xù)更新計劃。

一、o1和R1的崛起實際教會了我們什么

第一波推理模型教會我們，如果想在語言模型中擴展強化學(xué)習(xí)，我們需要確定性的、穩(wěn)定的、可擴展的反饋信號。數(shù)學(xué)、代碼、邏輯和其他可驗證的領(lǐng)域變得核心，因為這些場景下的獎勵信號遠(yuǎn)比通用的偏好監(jiān)督更強。它們讓強化學(xué)習(xí)能夠針對正確性而非合理性進(jìn)行優(yōu)化?；A(chǔ)設(shè)施變得至關(guān)重要。

一旦一個模型經(jīng)過訓(xùn)練，能夠通過更長的軌跡進(jìn)行推理，強化學(xué)習(xí)就不再是監(jiān)督微調(diào)之上一個輕量級的附加項。它變成了一個系統(tǒng)工程問題。你需要大規(guī)模的軌跡生成、高吞吐量的驗證、穩(wěn)定的策略更新、高效的采樣。推理模型的出現(xiàn)，既是一個建模的故事，也是一個基礎(chǔ)設(shè)施的故事。OpenAI將o1描述為一個通過強化學(xué)習(xí)訓(xùn)練的推理模型系列，而DeepSeek R1后來通過展示基于推理的強化學(xué)習(xí)需要多么專注的算法和基礎(chǔ)設(shè)施工作，進(jìn)一步強化了這一方向。第一個重大轉(zhuǎn)變是：從擴展預(yù)訓(xùn)練轉(zhuǎn)向擴展用于推理的后訓(xùn)練。

二、真正的問題從來不僅僅是“合并思考與指令”

2025年初，我們Qwen團隊的許多人都抱有一個雄心勃勃的設(shè)想。理想的系統(tǒng)應(yīng)該統(tǒng)一思考模式和指令模式。它應(yīng)該支持可調(diào)節(jié)的推理努力程度，類似于低/中/高推理設(shè)置的理念。更進(jìn)一步，它應(yīng)該能從提示詞和上下文中自動推斷出合適的推理量，這樣模型就能決定何時立即回答，何時思考更久，何時在真正困難的問題上投入更多的計算資源。

從概念上講，這是正確的方向。Qwen3是最明確的公開嘗試之一。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(diào)可控的思考預(yù)算，并描述了一個四階段的后訓(xùn)練流程，其中明確包含了在長思維鏈冷啟動和推理強化學(xué)習(xí)之后的“思考模式融合”。

但是，合并說起來容易，做好卻難得多。難點在于數(shù)據(jù)。當(dāng)人們談?wù)摵喜⑺伎寂c指令時，他們通常首先考慮模型端的兼容性：一個檢查點能否同時支持兩種模式，一個對話模板能否在兩者間切換，一個服務(wù)堆棧能否暴露正確的開關(guān)。更深層的問題在于，這兩種模式的數(shù)據(jù)分布和行為目標(biāo)是截然不同的。

在嘗試平衡模型合并與提升后訓(xùn)練數(shù)據(jù)的質(zhì)量和多樣性時，我們并未把所有事情都做對。在那個修訂過程中，我們也密切關(guān)注用戶實際如何使用思考模式和指令模式。一個強大的指令模型通常因其直接、簡潔、符合格式要求、低延遲地處理重復(fù)性、高并發(fā)的企業(yè)任務(wù)（如重寫、標(biāo)注、模板化支持、結(jié)構(gòu)化提取和運營問答）而獲得好評。一個強大的思考模型則因其在難題上投入更多詞元、保持連貫的中間結(jié)構(gòu)、探索替代路徑、以及保留足夠的內(nèi)部計算以切實提升最終正確性而獲得好評。

這兩種行為模式是相互沖突的。如果合并的數(shù)據(jù)沒有得到精心策劃，結(jié)果通常是在兩方面都表現(xiàn)平庸：“思考”行為變得嘈雜、臃腫或缺乏決斷力，而“指令”行為則變得不那么清晰、不那么可靠，并且比商業(yè)用戶實際想要的成本更高。

在實踐中，保持分離仍然很有吸引力。2025年下半年，在Qwen3最初的混合框架之后，2507系列發(fā)布了獨立的指令模型和思考模型更新，包括單獨的30B和235B變體。在商業(yè)部署中，大量客戶仍然希望為批處理任務(wù)提供高吞吐量、低成本、高可控性的指令行為。對于這些場景，合并顯然不是一項優(yōu)勢。分離不同模型系列使得團隊能夠更專注地解決每種模式的數(shù)據(jù)和訓(xùn)練問題。

其他實驗室選擇了相反的道路。Anthropic公開主張一種集成模型理念：Claude 3.7 Sonnet作為一個混合推理模型推出，用戶可以選擇普通響應(yīng)或擴展思考，API用戶可以設(shè)置思考預(yù)算。Anthropic明確表示，他們認(rèn)為推理應(yīng)該是一種集成能力，而不是一個獨立的模型。GLM-4.5也公開定位為一個混合推理模型，兼具思考和非思考模式，統(tǒng)一了推理、編碼和智能體能力；DeepSeek后來也通過V3.1的“思考與非思考”混合推理向類似方向發(fā)展。

關(guān)鍵問題在于合并是否是自然的。如果思考和指令僅僅是共存在一個檢查點內(nèi)，但行為上仍然像兩個生硬拼接的人格，那么產(chǎn)品體驗就會不自然。一個真正成功的合并需要一個平滑的推理努力程度譜系。模型應(yīng)該能夠展現(xiàn)不同層級的努力，并且最好能夠自適應(yīng)地選擇。GPT風(fēng)格的努力程度控制正指向這一點：一種關(guān)于計算資源的策略，而非一個二元開關(guān)。

三、為什么Anthropic的方向是一個有用的修正

Anthropic圍繞Claude 3.7和Claude 4的公開表述是克制的。他們強調(diào)了集成推理、用戶可控的思考預(yù)算、現(xiàn)實世界任務(wù)、編碼質(zhì)量，以及后來在擴展思考期間使用工具的能力。Claude 3.7被呈現(xiàn)為一個具有可控預(yù)算的混合推理模型；Claude 4在此基礎(chǔ)上擴展，允許推理與工具使用交錯進(jìn)行，同時Anthropic強調(diào)編碼、長時間運行任務(wù)和智能體工作流是主要目標(biāo)。

產(chǎn)生更長的推理軌跡并不會自動讓模型變得更智能。在許多情況下，過多的可見推理信號表明分配策略不佳。如果模型試圖以同樣的冗長方式對所有事情進(jìn)行推理，它可能無法進(jìn)行優(yōu)先級排序，無法進(jìn)行信息壓縮，或者無法采取行動。Anthropic的路線圖暗示了一種更嚴(yán)謹(jǐn)?shù)挠^點：思考應(yīng)該由目標(biāo)工作負(fù)載來塑造。如果目標(biāo)是編碼，那么思考應(yīng)該有助于代碼庫導(dǎo)航、規(guī)劃、分解、錯誤恢復(fù)和工具編排。如果目標(biāo)是智能體工作流，那么思考應(yīng)該提升長時間跨度的執(zhí)行質(zhì)量，而不是產(chǎn)生令人印象深刻的中間文本。

這種對針對性實用性的強調(diào)指向了更大的圖景：我們正從訓(xùn)練模型的時代邁向訓(xùn)練智能體的時代。我們在Qwen3的博客中明確指出了這一點，寫道“我們正從以訓(xùn)練模型為中心的時代過渡到以訓(xùn)練智能體為中心的時代”，并將未來的強化學(xué)習(xí)進(jìn)展與環(huán)境反饋（用于長時程推理）聯(lián)系起來。智能體是一個能夠制定計劃、決定何時行動、使用工具、感知環(huán)境反饋、修正策略并在長時間跨度內(nèi)持續(xù)運行的系統(tǒng)。它的定義是與世界的閉環(huán)交互。

四、 “智能體式思考”的真正含義

智能體式思考是一個不同的優(yōu)化目標(biāo)。推理思考通常通過最終答案之前內(nèi)部思考過程的質(zhì)量來評判：模型能否解出定理、寫出證明、生成正確的代碼或通過基準(zhǔn)測試。智能體式思考關(guān)注的是模型在與環(huán)境交互時能否持續(xù)取得進(jìn)展。

核心問題從“模型能思考足夠久嗎？”轉(zhuǎn)變?yōu)椤澳Ｐ湍芤跃S持有效行動的方式進(jìn)行思考嗎？”智能體式思考必須處理幾個純粹推理模型大多可以避免的問題：
– 決定何時停止思考并采取行動
– 選擇調(diào)用哪個工具以及以何種順序調(diào)用
– 整合來自環(huán)境的有噪聲或部分觀測信息
– 在失敗后修正計劃
– 在多次交互和多次工具調(diào)用中保持連貫性

智能體式思考是一個通過行動進(jìn)行推理的模型。

五、為什么智能體強化學(xué)習(xí)基礎(chǔ)設(shè)施更難

一旦目標(biāo)從解決基準(zhǔn)問題轉(zhuǎn)變?yōu)榻鉀Q交互式任務(wù)，強化學(xué)習(xí)技術(shù)棧就發(fā)生了變化。用于經(jīng)典推理強化學(xué)習(xí)的基礎(chǔ)設(shè)施是不夠的。在推理強化學(xué)習(xí)中，你通?？梢詫④壽E生成為大部分自包含的、帶有相對清晰評估器的過程。在智能體強化學(xué)習(xí)中，策略被嵌入到一個更大的框架中：工具服務(wù)器、瀏覽器、終端、搜索引擎、模擬器、執(zhí)行沙盒、API層、內(nèi)存系統(tǒng)和編排框架。環(huán)境不再是一個靜態(tài)的驗證器；它是訓(xùn)練系統(tǒng)的一部分。

這帶來了一個新的系統(tǒng)要求：訓(xùn)練和推理必須更清晰地解耦。沒有這種解耦，軌跡生成的吞吐量就會崩潰。考慮一個必須針對實時測試框架執(zhí)行生成代碼的編碼智能體：推理端在等待執(zhí)行反饋時停滯，訓(xùn)練端因缺少完成的軌跡而饑餓，整個流程的GPU利用率遠(yuǎn)低于你在經(jīng)典推理強化學(xué)習(xí)中預(yù)期的水平。添加工具延遲、部分可觀測性和有狀態(tài)的環(huán)境會加劇這些低效問題。結(jié)果是，實驗速度變慢，并且在達(dá)到你目標(biāo)能力水平之前很久就會變得令人痛苦。

環(huán)境本身也成為一個一流的研究對象。在監(jiān)督微調(diào)時代，我們癡迷于數(shù)據(jù)的多樣性。在智能體時代，我們應(yīng)該癡迷于環(huán)境的質(zhì)量：穩(wěn)定性、真實性、覆蓋率、難度、狀態(tài)的多樣性、反饋的豐富性、抗利用性以及軌跡生成的擴展性。環(huán)境構(gòu)建已開始成為一個真正的創(chuàng)業(yè)類別，而不僅僅是副項目。如果智能體被訓(xùn)練來在生產(chǎn)環(huán)境中運行，那么環(huán)境就是核心能力棧的一部分。

六、下一個前沿是更實用的思考

我的預(yù)期是，智能體式思考將成為思考的主導(dǎo)形式。我認(rèn)為它最終可能會取代許多舊的靜態(tài)獨白式的推理思考：那種試圖通過生成越來越多的文本來彌補缺乏交互的、過長的、孤立的內(nèi)部軌跡。即使在非常困難的數(shù)學(xué)或編碼任務(wù)上，一個真正先進(jìn)的系統(tǒng)也應(yīng)該有權(quán)進(jìn)行搜索、模擬、執(zhí)行、檢查、驗證和修正。目標(biāo)是穩(wěn)健且高效地解決問題。

訓(xùn)練此類系統(tǒng)最難的挑戰(zhàn)是獎勵破解。一旦模型獲得了有意義的工具訪問權(quán)限，獎勵破解就會變得危險得多。一個擁有搜索能力的模型可能會學(xué)會在強化學(xué)習(xí)期間直接查找答案。一個編碼智能體可能會利用代碼倉庫中的未來信息、濫用日志，或者發(fā)現(xiàn)使任務(wù)無效的捷徑。一個存在隱藏漏洞的環(huán)境可能會讓策略看起來表現(xiàn)超群，而實際上卻在訓(xùn)練它作弊。這正是智能體時代比推理時代更微妙的地方。更好的工具讓模型更有用，但它們也擴大了虛假優(yōu)化的攻擊面。我們應(yīng)該預(yù)料到，下一個嚴(yán)峻的研究瓶頸將來自環(huán)境設(shè)計、評估器的魯棒性、反作弊協(xié)議，以及策略與世界之間更規(guī)范的接口。盡管如此，方向是明確的。啟用工具的思考比孤立的思考有用得多，并且更有可能真正提高生產(chǎn)力。

智能體式思考也意味著框架工程。核心智能將越來越多地來自多個智能體的組織方式：一個負(fù)責(zé)規(guī)劃和分派工作的編排器，充當(dāng)領(lǐng)域?qū)＜业膶Ｓ弥悄荏w，以及執(zhí)行更狹窄任務(wù)、同時幫助控制上下文、避免污染并保持不同推理層級之間分離的子智能體。未來是從訓(xùn)練模型轉(zhuǎn)向訓(xùn)練智能體，再從訓(xùn)練智能體轉(zhuǎn)向訓(xùn)練系統(tǒng)。

七、結(jié)論

推理浪潮的第一階段確立了一件重要的事：當(dāng)反饋信號可靠且基礎(chǔ)設(shè)施能夠支撐時，在語言模型之上進(jìn)行強化學(xué)習(xí)可以產(chǎn)生質(zhì)量上更強的認(rèn)知能力。

更深層的轉(zhuǎn)變是從推理思考轉(zhuǎn)向智能體式思考：從思考更久轉(zhuǎn)向為了行動而思考。訓(xùn)練的核心對象已經(jīng)改變。它是“模型加環(huán)境”的系統(tǒng)，或者更具體地說，是智能體及其周圍的框架。這改變了哪些研究要素最為重要：模型架構(gòu)和訓(xùn)練數(shù)據(jù)，當(dāng)然，但也包括環(huán)境設(shè)計、軌跡生成基礎(chǔ)設(shè)施、評估器的魯棒性，以及多個智能體協(xié)調(diào)的接口。這改變了“好的思考”的含義：在現(xiàn)實世界約束下維持行動最有用的軌跡，而不是最長或最顯眼的軌跡。

這也改變了競爭優(yōu)勢的來源。在推理時代，優(yōu)勢來自更好的強化學(xué)習(xí)算法、更強的反饋信號和更具擴展性的訓(xùn)練流程。在智能體時代，優(yōu)勢將來自更好的環(huán)境、更緊密的訓(xùn)練-服務(wù)集成、更強的框架工程，以及能夠在模型的決策與其產(chǎn)生的后果之間形成閉環(huán)的能力。