Agentic Thinking

前 Qwen 系列模型负责人林俊旸最近在 X 上的一篇文章，深受启发。

开篇回顾了推理模型及 Qwen 系列相关历史。

推理模型简历（TL;DR）

1. 是否还记得 “犹抱琵琶半遮面” 的 ChatGPT-O1，让模型初步具备推理能力，却隐藏了推理过程。
2. Deepseek-R1 在 2025 年 1 月打破某种意义上的知识 “垄断”，直接挑战商业模型，并公开了 RL 算法。从 pretraining 的 scaling 范式转移到 posttraining RL scaling 范式，为后续包括 Qwen、GLM 等一系列开源模型指明了方向。从此 RL 不仅仅是 SFT 中的一个小弟，同时也去除了高成本的 HF，RL (HF) 至此后已经相对少见。
3. 2025 年前半年，Deepseek 分为 V3、R1，其他模型有 Thinking 和 Instruct 之别，最后殊途同归，都采用了混合（Hybrid）模式。但其中的 RL 训练挑战不言而喻。
4. 其中 Anthropic 的 Claude 的模型是最早坚持混合模式的，也是最先从古典 Reasoning 转移到 Agentic Thinking 的。无疑这是 Claude 模型在代码工程领域一骑绝尘的独门秘技。

Agentic Thinking

如果 2025 年你在 vibe coding 上恰巧有较大投入，你肯定会发现 GPT 系列在各种榜单上吊打 Claude 系列模型，却在 vibe coding 方面被完全碾压。秘诀就在模型 RL 训练过程中集合了推理、真实世界的任务形式、代码质量、工具使用等。

模型通过刻意的训练如何使用工具，并在解决问题的过程中不停尝试，最后效果远胜于纯粹的，一步到位的 “推理” 形式。

Agentic Thinking 特性：

• 能够在是否推理和采取行动间做出合适的决策
• 能够选择合适的工具，并有序的解决问题
• 能够整合上下文中的噪音和不完整的信息
• 能够知错就改
• 能够持续正确的使用工具，并保持能力的一贯性

无论是 Claude Code 还是最近大火的 OpenClaw（小龙虾），其核心架构就是 agentic loop，这就需要模型具备上述 Agentic Thinking 的相关特性。

一些思考（TL;DR）

AGI, to be or not to be?

That is the question.

模型能力已经很强，DeepseekV3.2 在中文环境，chatbot 模式下，与美国商业模型三巨头可以打的有来有回。但一旦涉及复杂任务就差距甚远了，特别是相对 Claude 系列而言，GLM5 等模型的出现才有所缓解。

模型能力似乎遇到了一定的瓶颈，虽然 benchmark 数据上一路向上，但是切身感知却不明显。AGI 并不容易，虽然每个人对 AGI 的定义不尽相同，对于大部分人而言，至少现在还未到 AGI。

Agentic Thinking 就成了作用于实际任务的另一个突破口，绕道达成或者接近 AGI。

个人以为，大语言模型名字中 “语言” 就是对 AI 的最大限制，它的天花板就是人类 “语言”。进一步，就取决于人类这种生物本身能否达到 AGI 的水平了？如果人类自身都无法窥探 “天机”，又怎么能要求模型呢？

Transformer

OpenAI 近期危机感十足，虽不说被赶超，但也没有明显的竞争优势了。Altman 在一次播客中谈及应该会有一种不同于 Transformer 的架构来实现 AGI。这也从侧面可以得知，对于 GPT 而言应该已经或者接近 “极限”。

那么有没有另一种架构呢？李飞飞、杨立昆正在探索的世界模型？如果人类 “语言” 作为一种上限的假设成立，基于互联网语言 token 的模型就存在上界，至少 AGI 的上界。

个人认为肯定会有不同的架构，在量的尺度提升模型的效率和能力，比如更大的上下文、更快的速度、更稳定的输出等等。且 Agentic Thinking 会是 2026 年模型训练的方向，来解决现实世界绝大部分智力工作。

机器 “人”

最后一个话题是机器 “人”。

非常认同 RL 之父 Richard Sutton 关于生物其他部件（除大脑外），比如手、脚，的能力需要大量的 RL 而非现在的 pretraining 方式进行训练。

但是，这种低效、却能够基因遗传的能力，相对而言功能比较单一，且是为了适应特定环境而生。比如 AlphaZero 就是一个典型的例子，它在围棋界所向披靡，应用于其他任务可以说一无是处。

个人以为，这同样适用于机器 “人”。作为智能机器，肯定会获得长足发展，应用于各行各业，特别是工业领域。如果提及 “具身” 智能，那么动物上亿年的进化也不是一朝一夕能够 “参破” 的。即使下苦功能够制造大量数据，为如此繁巨的场景设计奖励函数也几不可能。围棋只是这浩淼世界的一缕青烟，且这缕青烟的奖励函数还是如此明确、无二义性。