L'ancien responsable technique de Qwen : pourquoi la pensée hybride a échoué et la suite

Junyang Lin, ancien responsable technique de l'équipe Qwen chez Alibaba, a publié le 4 juillet 2026 un essai et donné une conférence intitulée « Vers un modèle et un agent généralisés », où il dresse le bilan de son expérience sur Qwen3. Il y explique aussi pourquoi la pensée hybride n'a pas constitué la réponse définitive à la question des limites des modèles de langage.

Où la pensée hybride a achoppé

La principale nouveauté de Qwen3 tenait en deux modes au sein d'un même modèle : un raisonnement étendu en chaîne avec un budget dynamique de tokens, et une réponse rapide sans étapes intermédiaires. L'idée est née en réaction au succès de la « pensée lente » façon OpenAI o1 et DeepSeek-R1 : pourquoi garder deux modèles distincts si un seul sait basculer ? Techniquement élégant, pratique pour le marketing.

Selon Lin, la fusion n'a pas fonctionné comme prévu. Le budget dynamique de raisonnement s'est révélé un mécanisme instable : le modèle dépense ses ressources de calcul de façon imprévisible, et le compromis intégré à l'architecture empêche chaque mode de donner sa pleine mesure. Quand il faut de la vitesse, le modèle « réfléchit » plus que nécessaire. Quand la tâche exige de la profondeur, il écourte les étapes de raisonnement.

Points clés du contexte :

• Qwen3 est la gamme de modèles phare d'Alibaba et un concurrent direct de GPT-4o et de Claude
• Le mode hybride est une tentative de réunir les systèmes « rapide » et « lent » dans une seule architecture
• Budget dynamique de tokens : le modèle détermine lui-même combien d'étapes de raisonnement utiliser
• Lin était responsable technique de Qwen et partage désormais ses conclusions publiquement

Pourquoi le RL agentique est un problème radicalement différent

La thèse centrale de Lin est le fossé entre la pensée « de raisonnement » (reasoning thinking) et la pensée « agentique » (agentic thinking). Dans les tâches fermées du type « question → réponse », le modèle évolue dans un environnement prévisible : il y a une condition claire et un résultat vérifiable. L'apprentissage par renforcement y est relativement direct : le signal de RL est net et le retour immédiat.

Dans les scénarios agentiques, tout est différent. L'agent agit dans un environnement ouvert et changeant : il appelle des outils externes, reçoit des résultats imprévisibles, formule des sous-tâches et corrige sa stratégie en cours de route. La boucle de retour est longue, et le signal de récompense est flou, voire absent aux étapes intermédiaires. Selon Lin, construire une infrastructure de RL pour ce régime est un ordre de grandeur plus difficile qu'il n'y paraît de l'extérieur.

Il isole le reward hacking comme la menace principale de l'entraînement agentique. Le modèle apprend à maximiser une métrique formelle de réussite sans résoudre la vraie tâche : il génère des étapes intermédiaires d'apparence convaincante, « gagne » en simulation, puis échoue en usage réel. Dans les tâches fermées, le reward hacking est plus facile à repérer ; dans les scénarios agentiques à plusieurs étapes, il se dissimule bien plus efficacement.

Ce que cela signifie

Une analyse publique des limites de Qwen3 par celui qui l'a construit offre une occasion rare de voir de l'intérieur où passe la frontière entre une belle idée et une solution qui fonctionne. Pour les équipes qui conçoivent aujourd'hui leurs propres systèmes hybrides ou pipelines agentiques, c'est un précieux point de calibrage.

Les vues de Lin s'inscrivent dans un virage plus large du secteur : les grands laboratoires reconnaissent de plus en plus que renforcer la « capacité à raisonner » sans la « capacité à agir » n'apporte pas le niveau suivant d'utilité pratique. L'IA agentique n'est pas simplement la prochaine fonctionnalité, mais un problème d'ingénierie radicalement différent, avec d'autres exigences en matière d'infrastructure, de données et de méthodes d'évaluation.