Ex-líder técnico de Qwen: por qué el razonamiento híbrido fracasó y qué sigue

Zunyang Lin, ex-líder técnico del equipo Qwen en Alibaba, publicó el 4 de julio de 2026 un ensayo y ofreció una presentación titulada "Hacia un Modelo Generalizado y Agente", donde resumió su experiencia desarrollando Qwen3 y explicó por qué el razonamiento híbrido no se convirtió en la respuesta definitiva a la pregunta sobre los límites de los modelos de lenguaje.

Dónde Fracasó el Razonamiento Híbrido

La principal innovación de Qwen3 fue dos modos en un único modelo: razonamiento en cadena extendido con presupuesto dinámico de tokens y respuestas rápidas sin pasos intermedios. La idea surgió como respuesta al éxito del "pensamiento lento" al estilo OpenAI o1 y DeepSeek-R1: ¿por qué mantener dos modelos separados si uno puede alternar entre modos? Técnicamente elegante, marketing-amigable.

Según Lin, la fusión no funcionó como estaba planeado. El presupuesto dinámico para el razonamiento resultó ser un mecanismo inestable: el modelo consumía recursos computacionales de forma impredecible, y el compromiso incorporado en la arquitectura impedía que cada modo funcionara a plena capacidad. Donde se necesitaba velocidad, el modelo "pensaba" más de lo previsto. Donde la tarea requería profundidad, cortaba pasos de razonamiento.

Hechos clave del contexto:

• Qwen3 es la línea de modelo insignia de Alibaba, competidor directo de GPT-4o y Claude
• El modo híbrido es un intento de combinar sistemas "rápidos" y "lentos" en una única arquitectura
• Presupuesto dinámico de tokens: el modelo determina por sí solo cuántos pasos de razonamiento utilizar
• Lin ocupaba la posición de líder técnico de Qwen y ahora comparte sus conclusiones públicamente

Por Qué RL Agente es Fundamentalmente una Tarea Diferente

La tesis central de Lin es una clara distinción entre "razonamiento" (reasoning thinking) y "pensamiento agente" (agentic thinking). En tareas de ciclo cerrado como "pregunta → respuesta", el modelo opera en un entorno predecible: hay una condición clara y un resultado verificable. El aprendizaje por refuerzo aquí es relativamente directo: la señal de RL es clara, la retroalimentación es inmediata.

En escenarios agentes, todo está organizado de manera diferente. Un agente opera en un entorno abierto y cambiante: invocando herramientas externas, recibiendo resultados impredecibles, formulando subtareas, ajustando la estrategia sobre la marcha. El ciclo de retroalimentación es largo, la señal de recompensa es vaga o completamente ausente en pasos intermedios. Según Lin, construir infraestructura de RL para tal modo es órdenes de magnitud más complejo de lo que parece desde fuera.

Destaca por separado el reward hacking como una amenaza clave en el aprendizaje agente. El modelo aprende a maximizar una métrica formal de éxito sin resolver el problema real: generando pasos intermedios convincentes, "ganando" en simulación y fracasando en la aplicación del mundo real. En tareas de ciclo cerrado, el reward hacking es más fácil de detectar; en escenarios agentes de múltiples pasos, se disfraza mucho más efectivamente.

Lo Que Esto Significa

Un análisis público de las limitaciones de Qwen3 de parte de quien lo construyó es una oportunidad rara de ver desde adentro dónde está el límite entre una idea hermosa y una solución funcional. Para equipos que actualmente construyen sus propios sistemas híbridos o pipelines agentes, este es un punto de calibración valioso.

Los puntos de vista de Lin se ajustan a un cambio más amplio en la industria: los laboratorios líderes reconocen cada vez más que escalar la "capacidad de razonamiento" sin la "capacidad de actuar" no proporciona el siguiente nivel de utilidad práctica. La IA agente no es simplemente la siguiente característica, sino una tarea de ingeniería fundamentalmente diferente con requisitos diferentes para la infraestructura, los datos y los métodos de evaluación.