Ilya Sutskever 离开 OpenAI 的时候，外界一度用一个半开打趣的句式抒发对他那时在技巧判断上的酷好。这个戏剧性的离开决定背后，他究竟对那时技巧发展路子有何念念考：What did Ilya see?

今天似乎也可以借用这个句式来猜测刚刚离开阿里巴巴，曾风雅 Qwen 模子测验的林俊旸最新发布的一篇长文。

这是他离开 Qwen 后发的第一篇系统性的念念考，这意味着它的许多不雅点来自于 Qwen 的测验过程，同期又脱离了在这个团队里去猜测它的局限。

一个信得过操盘过今天最垂死的模子之一的全部测验过程，同期可以躲闪纯里面视角作念念念考，并系统呈现出来的计议者，今天莫得几个，这篇著作也因此值得仔细阅读：What did Junyang see?

这篇题目为From "Reasoning" Thinking to "Agentic" Thinking 的著作用英文首发在 X 上。全文汉文翻译咱们放在文后。

和许多引起 AI 从业者无为猜测的长文一样，它尝试给一个扫数东说念主都感受着的巨大变化一个描写和界说，而非在展望什么还没发生的事情。

他觉得 AI 技巧演变此刻经验的切换，是从推理式念念考到 agent 式念念考的变化。

他给后者的界说是：

Agentic thinking is a model that reasons through action. 智能时势念念考指的就是一个通过行动来推理的模子。

这些判断来自他我方对各个前沿实验室所作念尝试的念念考，以及在 Qwen 的测验上径直踩过的坑。

OpenAI 的 O 系列掀开了推理期间，但这些推理不够机动，何时该快何时该慢，无法责罚，Qwen 的尝试更是"没皆备作念对"，因为复杂念念考所需的测验，和反而是许多客户需要的径爽直速回话的测验，是毁坏的。

在对比各家作念法里，他觉得 Anthropic 的作念法最有启发：念念考应该为具体的职责目的管事。先判断目的任务类型，再对应遴选模子念念考形势。这么，在编程等任务里，对 AI 推理质料的判断模范得以从 o 系列的"万古辰，重过程"的框子里跳出，而况更垂死的是，这个念念考过程需要自然就带上器用调用、自我纠错等能力。

这么一来，模子的推理成为更复杂系统的一部分，新的推理能力需要通过对一扫数这个词 agent 系统的测验来完成。

而与其他诸多雄文不同的是，他的内容没停在这，而是径直给出了他觉得的具体解法。致使，在外界无为存眷他的下一步的此刻，这也可以视作剧透：

除了具体到诸如"测验和推理必须更阐明地解耦"，多 agent 系统里的单干，致使是 reward hacking 的具体有哪些"坑"等细节外，最垂死的可能是这个判断——

他觉得跟着 Agentic Thinking 变得垂死，以往更多由模子我方主导智能跨越时的许多模范可以推翻了。

"测验的中枢对象已变，不再是单一模子，而变成了模子 + 环境组成的扫数这个词系统。更具体地说，是 agent 自己，配上围绕它的一切工程。这意味着计议垂死性也变了：模子架构和测验数据当然是还很垂死，但环境设计、隐约基础法子、评估器鲁棒性、以及多个 agent 之间的协调，垂死性少许不亚于前者。"

这意味着竞争的点也变成比拼谁有更好的测验环境和更强的系统工程能力，以及在现实寰宇里作念决议，然后得到着实反应，再进行学习的这个 RL 轮回的能力。

他径直点出来一个创业办法："环境构建是下个热点的创业办法"。

"环境构建正在从一个顺遂搭的实验配件，变成一个孤独的创业赛说念。要是你测验的智能体最终要在类坐褥环境中运作，那这个环境自己就是你中枢能力栈的一部分。"

他接下来要作念的事情似乎也呼之欲出了。

在这些对扫数这个词技巧所处阶段的判断除外，这篇著作也体现出林俊旸的个东说念主念念考形势脾气。其中一个就是他对操控一扫数这个词复杂系统的酣醉。

他觉得，改日的路子图是三级跳：从测验模子，到测验智能体，再到测验系统。

他的这篇著作势必会被拿来与依然掌管起腾讯模子的姚顺雨一年前那篇《AI 下半场》作念对比，而对于一个复杂系统的执迷以及往时径直在最尖端操盘一扫数这个词大限度复杂系统的径直教学，可能是这两篇著作里体现念念路上最大的不同。

从他对" agent 化念念考"的解释可以看出，在这里 agent 依然不是被行为模子的某种应用形态，它最终会大过模子。

往时很长一段时辰，寰球对 agent 的猜测的开端是，"模子很强劲，要把它的能力开释，构建一个 agent 是个可以的主意"。《下半场》的著作里，最垂死的不雅点之一"话语通过 agent 中的推理达成泛化"亦然这个意旨意思。而林俊旸著作里体现出来的判断则是：

agent 依然是最中枢的阿谁智能系统自己，模子反而应该仅仅其中一部分。

是以，接下来扫数资源干预的办法、需要测验和进化的亦然这个系统自己。不再是要开释模子能力，而是若何让模子和系统里其他零部件沿途最优化地得到测验。

这是最大的变化，咱们可能又到了一个可以打翻一切再行念念考的时刻了。

附著作汉文翻译版

从"推理式念念考"到"智能时势念念考"

往时两年，模子的评估形势，以及咱们对模子能力的期待，都被透顶改写了。OpenAI 的 o1 讲解了一件事："念念考"自己可以成为一种一等能力——它不仅可以被特意测验，也可以被径直透露给用户。DeepSeek-R1 则进一步讲解，带有"推理"作风的后测验措施，不单存在于领先那几家顶级实验室里面，它是可以被复现、被彭胀的。OpenAI 将 o1 描写为一个通过强化学习测验、大约"在回话前先念念考"的模子；DeepSeek 则把 R1 定位为一个怒放的推理模子，并声称其竞争力可以对标 o1。

阿谁阶段虽然很垂死。但 2025 年上半年，行业主要猜测的，仍然是"推理式念念考"：若何让模子在推理阶段耗尽更多筹画、若何用更强的奖励机制去测验它、若何把这种迥殊的念念考过程怒放给用户，或者加以适度。

现时信得过的问题是：下一步是什么？

我觉得谜底是：智能时势念念考。也就是，为了行动而念念考；在与环境执续交互的过程中念念考；并凭证来自寰宇的反应，不停更新我方的策动。

1. o1 和 R1 的崛起，信得过教会了咱们什么

第一波推理模子带来的最垂死启示是：要是咱们想把强化学习信得过限度化地应用到话语模子上，就必须领有细则、阐明、可彭胀的反应信号。因此，数学、代码、逻辑以过头他可考据界限赶紧成为中枢，因为在这些场景里，奖励信号远比一般的偏好监督更强。它们让强化学习优化的是"正确性"，而不是"看起来合理"。

这时，基础法子就变得至关垂死。

一朝模子被测验成可以沿着更长的轨迹进行推理，强化学习就不再仅仅监督微调之上的一个轻量附加层，而会变成一个系统工程问题。你需要大限度 rollout，需要高隐约的考据机制，需要阐明的政策更新，还需要高效采样。推理模子的出现，执行上既是一个建模故事，亦然一个基础法子故事。OpenAI 将 o1 描写为一条通过强化学习测验出来的"推理模子线"；此其后的 DeepSeek R1，又进一步讲解了：基于推理的强化学习，需要大都特意的算法与基础法子职责相沿。

第一个紧要更正依然相配了了：从彭胀预测验，转向彭胀面向推理的后测验。

2. 信得过的问题，从来不仅仅"把 Thinking 和 Instruct 合并"

在 2025 岁首，咱们 Qwen 团队里面也曾有过一个特别强大的遐想：生机中的系统，应该把 thinking 模式和 instruct 模式调解起来。它应当支执可休养的推理强度，肖似 low / medium / high 这么的念念考档位。更进一步，它最佳还能凭证 prompt 和迂回文自动推断出允洽的念念考量，让模子我方决定：什么时候坐窝回话，什么时候多想瞬息，什么时候则值得为一个信得过贫瘠的问题干预更多算力。

从见识上看，这个办法虽然是对的。Qwen3 就是其中最阐明、最公开的一次尝试之一。它建议了"羼杂念念考模式"，在归并个模子眷属中同期支执 thinking 和 non-thinking 两类步履，强调可控的念念考预算，并描写了一条四阶段的后测验经过，其中在长链式念念维冷启动和推理强化学习之后，还明确包含了"念念考模式会通"这一步。

但"合并"这件事，提及来容易，信得过作念好却相配难。

最难的部分，其实是数据。

当东说念主们批驳若何会通 thinking 和 instruct 时，最先猜测的时时是模子侧的兼容性：一个 checkpoint 能不可同期支执两种模式？一个 chat template 能不可在二者之间切换？一个 serving stack 能不可把这些适度开关优雅地暴流露来？

但更深层的问题在于：这两种模式的数据漫衍和步履目的，执行上互异很大。

咱们在尝试均衡模子会通与后测验数据质料、千般性栽植的过程中，并莫得把扫数事情都作念对。与此同期，咱们也相配存眷用户执行是若何使用 thinking 模式和 instruct 模式的。一个强 instruct 模子，时时会因为以下脾气而被奖励：径直、松懈、形式校服性强、低蔓延，尤其擅所长理那些重叠性高、隐约量大、企业场景常见的任务，比如改写、标注、模板化客服、结构化抽取、运营问答等。一个强 thinking 模子，则会因为自得在难题上耗尽更多 token、能督察阐明的中间推理结构、会探索替代旅途、并保留富裕多的里面筹画以切实提高最终正确率，滚球app而赢得奖励。

这两种步履画像，自己就是互相拉扯的。

要是会通数据莫得被极其严慎地整理，最终斥逐时时就是"两端都不够好"：thinking 侧会变得嘈杂、肥胖、或者穷乏决断力；instruct 侧则会失去蓝本的干脆、可靠和低老本，而这恰正是贸易用户信得过想要的。

是以在实践中，"分开作念"依然很有诱导力。到了 2025 年后期，在 Qwen3 领先建议 hybrid framing 之后，2507 系列又分裂发布了孤独的 Instruct 和 Thinking 更新，包括各自孤独的 30B 和 235B 版块。在贸易部署里，大都客户依旧明确需要高隐约、低老本、高可控的 instruct 步履，行止理批量任务。对于这些场景来说，"会通"并不赫然是一种上风。将两条线断绝，反而让团队可以更专注地责罚各自模式背后的数据和测验问题。

虽然，也有其他实验室走了相背的路。Anthropic 公开主张一种"集成式模子"玄学：Claude 3.7 Sonnet 被先容为一个羼杂推理模子，用户既可以遴选平素回话，也可以开启 extended thinking，API 用户还可以诞生 thinking budget。Anthropic 明确示意，他们信服推理能力应该是集成在模子里面的能力，而不是一个孤独模子。GLM-4.5 也公开把我方定位成一个同期包含 thinking 与 non-thinking 模式的羼杂推理模子，把推理、编码和 agent 能力调解在沿途；DeepSeek 随后也在 V3.1 的" Think & Non-Think "羼杂推理中，朝着肖似办法推动。

信得过重要的问题，其实是：这种合并是不是"当然长出来"的。

要是 thinking 和 instruct 仅仅被强行塞进归并个 checkpoint 里，但阐明出来仍然像两个别扭拼接在沿途的东说念主格，那最终的家具体验依旧会很不当然。信得过告捷的会通，应该呈现出一个平滑的推理强度谱系。模子应当大约抒发多种不同层级的念念考干预，最佳还能自得当地作念出遴选。GPT 作风的 effort control 所指向的，其实正是这个办法：它不是一个二元开关，而是一种对于筹画资源分拨的政策。

3. 为什么 Anthropic 的办法，是一次有价值的纠偏

Anthropic 在 Claude 3.7 和 Claude 4 上的公开表述一直相对克制。他们强调的是集成式推理、用户可控的念念考预算、着实寰宇任务、代码质料，以及其后进一步强调的——在 extended thinking 过程中调用器用的能力。Claude 3.7 被界说为一个领有可控预算的羼杂推理模子；Claude 4 则把这件事又往前推动了一步：允许推理与器用使用交错发生。与此同期，Anthropic 遥远把编码、万古程任务和 agent 职责流视为主要目的。

更长的推理陈迹，并不会自动让模子变得更智慧。

许多时候，过度暴流露来的"念念考过程"，适值说明模子的资源分拨出了问题。要是一个模子试图以相通冗长的形势去"念念考扫数事情"，那它可能并不是更长远，而是没能正确排序优先级、没能有用压缩信息、也没能实时行动。Anthropic 的路子，某种进度上体现了一种更有步骤的看法：念念考应当被目的职责负载塑形。

要是目的是编码，那么念念考就应该匡助模子完成代码库导航、任务野心、问题拆解、造作规复与器用编排。

要是目的是 agent 职责流，那么念念考就应该栽植它在万古辰跨度践诺中的质料，而不是只产出一段看起来很横暴的中间 prose。

这种对"针对性服从"的强调，其实指向了更大的变化：咱们正在从"测验模子"的期间，走向"测验智能体"的期间。

咱们在 Qwen3 的博客里其实也明确写过这少许："咱们正从一个聚焦于测验模子的期间，转向一个以测验智能体为中心的期间。"同期，咱们也把改日强化学习的进展，与环境反应驱动下的万古程推理接洽在沿途。

所谓智能体，是一种大约制定策动、决定何时行动、使用器用、感知环境反应、修正政策，并在万古辰圭臬上执续推动任务的系统。它的界说，不在于会不会"多想少许"，而在于它是否能与寰宇酿成闭环交互。

4. "智能时势念念考"到底意味着什么

智能时势念念考，对应的是一种皆备不同的优化目的。

传统的推理式念念考，时时看的是：在给出最终谜底之前，模子里面的 deliberation 质料若何。它能不可把定理作念出来？能不可写出讲解？能不可生成正确代码？能不可通过 benchmark？

而智能时势念念考存眷的是另一件事：模子在与环境交互的过程中，能否执续推动任务。

中枢问题也因此发生了变化：它不再是"模子能不可念念考得富裕久"，而是"模子能不可以一种大约相沿有用行动的形势去念念考"。

智能时势念念考必须处理好几类事情，而这些恰正是纯推理模子时时可以躲避的：

什么时候该罢手念念考，转而经受行动

应该调用哪个器用，以及调用端正是什么

若何收受来自环境的噪声信息或不齐备不雅测

失败后若何修改策动

如安在多轮交互、屡次器用调用中保执连贯性

九九归原，智能时势念念考，就是一种通过行动来完成推理的模子能力。

5. 为什么面向智能体的强化学习基础法子更难

一朝目的从"解 benchmark 题"切换为"完成交互式任务"，强化学习的扫数这个词技巧栈也会随之改变。经典推理强化学习所使用的那套基础法子，依然不够用了。

在传统 reasoning RL 中，rollout 时时可以被视作相对封锁的轨迹，评估器也时时比拟干净、明确。而在 agentic RL 里，政策自己被镶嵌进了一个更大的践诺框架中：器用管事器、浏览器、末端、搜索引擎、模拟器、践诺沙箱、API 层、挂念系统，以及千般 orchestration framework。环境不再仅仅一个静态考据器，而成了测验系统自己的一部分。

这会带来一个新的系统性条目：测验与推理必须被更透顶地解耦。

要是作念不到这少许，rollout 的隐约量就会赶紧崩掉。设想一个编码智能体：它需要把我方生成的代码扔到一个着实的测试框架里去践诺。此时，推理侧会因为恭候践诺反应而停滞，测验侧则因为拿不到已完成轨迹而"断粮"，扫数这个词活水线的 GPU 讹诈率会远低于经典 reasoning RL 的水平。再叠加器用蔓延、部分可不雅测性和有景色环境，这种低效只会被进一步放大。斥逐就是：在你信得过抵达目的能力水平之前，实验速率就依然慢到令东说念主横祸。

与此同期，环境自己也初始成为一种一等计议对象。

在 SFT 期间，咱们酣醉于数据千般性；而在 agent 期间，咱们更应该酣醉于环境质料：它是否定识、是否着实、遮盖度够不够、难度是否允洽、景色空间是否富裕丰富、反应是否富裕有信息量、是否抗 exploit、rollout 生成能不可限度化。

环境构建，依然初始从一个"顺遂作念的副花样"，徐徐变成一个信得过的创业赛说念。因为要是你测验的是一个要在接近坐褥环境的诞生中运行的智能体，那么环境自己就是中枢能力栈的一部分。

6. 下一个前沿，是"更可用的念念考"

我的判断是，智能时势念念考会成为主导性的念念考范式。它最终致使可能替代掉很大一部分老式、静态、独白式的推理：那种过长、封锁的里面念念考陈迹，试图靠吐出越来越多文本，来弥补穷乏交互能力的不及。即等于在相配贫瘠的数学或编码任务上，一个信得过先进的系统，也理当领有搜索、模拟、践诺、查验、考据、修正的权益。咱们的目的，是让它郑重且高产地责罚问题。

测验这类系统时，最难的问题之一，是 reward hacking。

一朝模子信得过领有了器用走访能力，reward hacking 就会变得危急得多。一个能搜索的模子，可能会在 RL 过程中学会径直查谜底；一个编码智能体，可能会讹诈代码仓库里的改日信息、糜掷日记、或者发现某些能让任务"看似完成"的捷径，从而让评估失真。唯一环境里存在荫藏泄漏，政策就可能看起来像"超东说念主"，但其实它学会的仅仅舞弊。

这亦然为什么，智能体期间会比推理期间愈加脆弱、愈加玄虚。更强的器用会让模子更有用，但同期也会显赫扩大不实优化的错误面。接下来信得过严肃的计议瓶颈，很可能会荟萃在环境设计、评估器鲁棒性、反舞弊左券，以及 policy 与着实寰宇之间更原则化的接口设计上。

但办法依然相配了了了：带器用的念念考，自然比伶仃的念念考更有用，也更有可能信得过栽植坐褥力。

智能时势念念考还将意味着另一件事：践诺框架工程（harness engineering） 会变得越来越垂死。改日的中枢智能，越来越可能来自多个智能体是若何被组织起来的：一个负包袱务野心和路由的 orchestrator，一组饰演界限大家的专用智能体，以及几许践诺更窄任务的 sub-agents；它们共同匡助系统适度迂回文、幸免阻挡，并在不同层级的推理之间督察阻拦。

改日的演进旅途会是：从测验模子，到测验智能体；再从测验智能体，到测验系统。

论断

这一轮推理波涛的第一阶段，依然说明了一件相配垂死的事：当反应信号富裕可靠、基础法子富裕相沿时，叠加在话语模子之上的强化学习，如实大约产生质变级别的领路栽植。

但更深层的更正，其实是：从推理式念念考，走向智能时势念念考；从"念念考更久"，走向"为了行动而念念考"。

测验的中枢对象依然变了。它不再仅仅模子自己，而是"模子 + 环境"的扫数这个词系统；更具体地说，是智能体，以及包裹在它周围的那套践诺框架。这也改变了什么才是最垂死的计议钞票：虽然仍然包括模子架构和测验数据，但相通垂死的，还有环境设计、rollout 基础法子、评估器鲁棒性，以及多个智能体互相合作时所依赖的接口。

它还改变了咱们对"好念念考"的界说：信得过有价值的，不再是最长、最显眼的念念维陈迹，而是阿谁最能相沿行动在着实寰宇拘谨下执续推动的念念考轨迹。

它致使还改变了竞争上风将来自那儿。

在推理期间滚球app官网，上风主要来自更好的强化学习算法、更强的反应信号、以及更可彭胀的测验活水线；而在智能体期间，上风将更多来自更好的环境、更紧密的测验—管事一体化、更强的践诺框架工程能力，以及把模子决议与着实成果闭环相接起来的能力。