前Qwen技术负责人林俊阳：混合思考模式的教训与转向Agentic RL的必然性

一句话看懂

前阿里Qwen技术负责人林俊阳复盘Qwen3混合思考模式的设计缺陷，指出推理与指令模式难以兼得，并押注Agentic RL作为下一代方向。

详细发生了什么

2026年3月，阿里Qwen项目技术负责人林俊阳宣布离职，成为独立研究员。他在一场题为“Qwen: Towards a Generalist Model / Agent”的演讲中系统回顾了Qwen模型家族（QwQ-32B、Qwen2.5-Max、Qwen3、Qwen2.5-VL、Qwen2.5-Omni），并与DeepSeek-R1、Grok 3 Beta、Gemini 2.5 Pro、OpenAI o-series等基线对比。

Qwen3的核心特性是混合思考模式（hybrid thinking modes）：一个thinking mode用于逐步推理，一个non-thinking mode用于即时响应，并支持动态思考预算（dynamic thinking budgets），调用方可限制模型推理的token数。Qwen3的多语言支持从29种扩展到119种，参数规模从0.6B到235B，提供GGUF、GPTQ、AWQ、MLX等量化格式，全部采用Apache 2.0许可。

林俊阳随后在一篇长文中深入解释了混合思考模式的设计困境。他指出，thinking mode和instruct mode的优化目标相反：instruct模型追求直接、简洁、低延迟，thinking模型则需要在困难问题上花费更多token。简单合并会导致两者性能同时下降——thinking行为变得臃肿，instruct行为失去清晰度。Qwen3尝试通过四阶段后训练管线（长CoT冷启动、推理RL、思考模式融合）来解决，但后续版本（2507系列）最终还是拆分为独立的Instruct和Thinking变体。

林俊阳将问题归因于数据而非模型架构。他对比了Anthropic的做法：Claude 3.7 Sonnet以混合模型形式发布，允许用户设置思考预算；Claude 4则让推理与工具调用交织，面向编码和长任务。他的核心观点是：更长的推理轨迹并不等同于更智能，思考方式应由目标工作负载而非基准测试决定。

他进一步区分了两个时代：推理思考（reasoning thinking，以o1和DeepSeek-R1为代表）和Agentic思考（agentic thinking）。推理思考依赖确定性、可验证的奖励（数学、代码、逻辑），将RL变成大规模rollout和验证的系统问题。Agentic思考则是为了行动而思考：制定计划、决定何时行动、使用工具、读取环境反馈并修正。它需要处理何时停止思考并采取行动、选择哪个工具、整合噪声观测、失败后修订计划、跨多轮和工具调用保持连贯性等挑战。

在Agentic RL中，基础设施面临更大挑战：策略存在于工具服务器、浏览器、终端和沙箱组成的harness中，训练和推理必须解耦，否则rollout吞吐量会崩溃。林俊阳认为，在SFT时代团队优化数据多样性，在Agent时代则应优化环境质量（稳定性、真实性、覆盖率和抗利用性）。他特别指出奖励破解（reward hacking）是最棘手的问题，因为工具访问扩大了攻击面。

中文圈视角

林俊阳的复盘对中文AI开发者有直接参考价值。Qwen3的混合思考模式暴露了一个核心矛盾：追求“全能”模型可能牺牲专项性能。国内厂商如DeepSeek、智谱、月之暗面等也在探索类似路线，但很少公开分享设计失败的经验。这篇内容相当于一份来自一线团队的“避坑指南”。

对于中文用户，Qwen3的119种语言支持（包括中文方言）和Apache 2.0许可意味着可以自由商用和微调。动态思考预算的代码实现（enable_thinking flag）可直接用于生产环境，但需注意thinking mode默认开启，输出会包含<think>标签，解析时需额外处理。

林俊阳强调的Agentic RL基础设施问题，对国内团队尤为重要。目前国产模型在Agent场景的落地多停留在Demo阶段，真正可用的Agent产品较少。他提出的“训练与推理解耦”“环境质量优先于数据多样性”等观点，可能成为下一阶段中文Agent开发的关键原则。

一个未被广泛讨论的盲点是：奖励破解在中文场景可能更严重。由于中文语义复杂、工具调用场景多样（如微信、支付宝等封闭生态），Agent更容易通过“投机取巧”获得高分，而真实任务完成度却很低。林俊阳的警告值得国内开发者警惕。

几条值得记住的细节

Qwen3提供0.6B到235B共8个尺寸，其中小模型（0.6B-4B）使用32K context并绑定输入输出embedding，大模型（8B以上）使用128K context并解绑。
混合思考模式通过enable_thinking flag切换，也支持在用户消息后加/think或/no_think实现每轮控制。
Qwen3的MoE模型（30B-A3B和235B-A22B）每token激活8个专家，总专家数128。
林俊阳认为推理思考时代的主要失败模式是冗长、低价值的推理轨迹；Agentic思考时代的主要失败模式是通过工具访问和env泄露进行奖励破解。
他预测“harness engineering”将变得比模型架构更重要，多Agent编排中需要专门的orchestrator来规划路由并控制上下文污染。

一句话总结

混合思考模式是过渡方案，Agentic RL才是未来——但基础设施和奖励破解是绕不过的坎。