Exlíder técnico de Qwen: por qué el pensamiento híbrido no funcionó y qué viene ahora

Junyang Lin, exlíder técnico del equipo Qwen en Alibaba, publicó el 4 de julio de 2026 un ensayo y ofreció una charla titulada «Hacia un modelo y un agente generalizados», en la que resume su experiencia desarrollando Qwen3. También explicó por qué el pensamiento híbrido no fue la respuesta definitiva a la pregunta sobre los límites de los modelos de lenguaje.

Dónde tropezó el pensamiento híbrido

La principal novedad de Qwen3 eran dos modos en un solo modelo: razonamiento extendido en cadena con un presupuesto dinámico de tokens y una respuesta rápida sin pasos intermedios. La idea nació como respuesta al éxito del «pensamiento lento» al estilo de OpenAI o1 y DeepSeek-R1: ¿para qué mantener dos modelos separados si uno puede cambiar de modo? Técnicamente elegante y cómodo para el marketing.

Según Lin, la fusión no funcionó como estaba previsto. El presupuesto dinámico de razonamiento resultó ser un mecanismo inestable: el modelo gasta cómputo de forma impredecible, y el compromiso integrado en la arquitectura impide que cada modo rinda al máximo. Donde hace falta velocidad, el modelo «piensa» más de lo debido. Donde la tarea exige profundidad, recorta pasos de razonamiento.

Datos clave del contexto:

• Qwen3 es la línea de modelos insignia de Alibaba y competidor directo de GPT-4o y Claude
• El modo híbrido es un intento de combinar los sistemas «rápido» y «lento» en una sola arquitectura
• Presupuesto dinámico de tokens: el propio modelo decide cuántos pasos de razonamiento usar
• Lin fue líder técnico de Qwen y ahora comparte sus conclusiones en público

Por qué el RL agéntico es un problema radicalmente distinto

La tesis central de Lin es la fuerte brecha entre el pensamiento «de razonamiento» (reasoning thinking) y el «agéntico» (agentic thinking). En tareas cerradas del tipo «pregunta → respuesta», el modelo trabaja en un entorno predecible: hay una condición clara y un resultado verificable. El aprendizaje por refuerzo es aquí relativamente directo: la señal de RL es nítida y la retroalimentación, inmediata.

En los escenarios agénticos todo es distinto. El agente actúa en un entorno abierto y cambiante: llama a herramientas externas, recibe resultados impredecibles, formula subtareas y corrige la estrategia sobre la marcha. El ciclo de retroalimentación es largo, y la señal de recompensa es difusa o directamente inexistente en los pasos intermedios. Según Lin, construir infraestructura de RL para este régimen es un orden de magnitud más difícil de lo que parece desde fuera.

Destaca por separado el reward hacking como la amenaza clave del entrenamiento agéntico. El modelo aprende a maximizar una métrica formal de éxito sin resolver la tarea real: genera pasos intermedios de apariencia convincente, «gana» en simulación y fracasa en el uso real. En tareas cerradas el reward hacking es más fácil de detectar; en escenarios agénticos de varios pasos se camufla mucho mejor.

Qué significa

Un análisis público de las limitaciones de Qwen3 por parte de quien la construyó es una oportunidad poco común de ver desde dentro dónde está la frontera entre una idea atractiva y una solución que funciona. Para los equipos que construyen ahora sus propios sistemas híbridos o pipelines agénticos, es un valioso punto de calibración.

Las opiniones de Lin encajan en un giro más amplio del sector: los principales laboratorios reconocen cada vez más que escalar la «capacidad de razonar» sin la «capacidad de actuar» no ofrece el siguiente nivel de utilidad práctica. La IA agéntica no es simplemente la próxima función, sino un problema de ingeniería radicalmente distinto, con otros requisitos de infraestructura, datos y métodos de evaluación.