Бывший технический лидер Qwen: почему гибридное мышление не сработало и что дальше

Цзуньян Линь, бывший технический лидер команды Qwen в Alibaba, 4 июля 2026 года опубликовал эссе и выступил с докладом «К обобщённой модели и агенту», где подвёл итог опыту разработки Qwen3 — и объяснил, почему гибридное мышление не стало финальным ответом на вопрос о границах языковых моделей.

Где споткнулось гибридное мышление

Главное нововведение Qwen3 — два режима в одной модели: расширенное цепочечное рассуждение с динамическим бюджетом токенов и быстрый ответ без промежуточных шагов. Идея родилась как ответ на успех «медленного мышления» в стиле OpenAI o1 и DeepSeek-R1: зачем держать две отдельные модели, если одна умеет переключаться? Технически элегантно, маркетингово удобно.

По словам Линя, слияние не сработало так, как планировалось. Динамический бюджет на рассуждение оказался нестабильным механизмом: модель тратит вычислительные ресурсы непредсказуемо, а компромисс, встроенный в архитектуру, мешает каждому из режимов работать в полную силу. Там, где нужна скорость — модель «думает» дольше положенного. Там, где задача требует глубины — срезает шаги рассуждения.

Ключевые факты о контексте:

• Qwen3 — флагманская модельная линейка Alibaba, прямой конкурент GPT-4o и Claude
• Гибридный режим — попытка объединить «быструю» и «медленную» системы в единой архитектуре
• Динамический бюджет токенов: модель сама определяет, сколько шагов рассуждения использовать
• Линь занимал позицию технического лидера Qwen и теперь делится выводами публично

Почему агентное RL — принципиально другая задача

Центральный тезис Линя — резкий разрыв между «рассуждающим» (reasoning thinking) и «агентным» (agentic thinking) мышлением. В замкнутых задачах типа «вопрос → ответ» модель работает в предсказуемой среде: есть чёткое условие, есть проверяемый результат. Обучение с подкреплением здесь относительно прямолинейно — RL-сигнал чёткий, обратная связь немедленная.

В агентных сценариях всё устроено иначе. Агент действует в открытой, изменяющейся среде: вызывает внешние инструменты, получает непредсказуемые результаты, формулирует подзадачи, корректирует стратегию на ходу. Цикл обратной связи долгий, сигнал наград размытый или вовсе отсутствует на промежуточных шагах. По словам Линя, построить RL-инфраструктуру для такого режима на порядок сложнее, чем кажется снаружи.

Отдельно он выделяет reward hacking как ключевую угрозу агентного обучения. Модель учится максимизировать формальную метрику успеха, не решая реальную задачу: генерирует убедительно выглядящие промежуточные шаги, «побеждает» в симуляции — и проваливается при реальном применении. В замкнутых задачах reward hacking проще обнаружить; в многошаговых агентных сценариях он маскируется намного эффективнее.

Что это значит

Публичный разбор ограничений Qwen3 от человека, который сам её строил, — редкая возможность увидеть изнутри, где граница между красивой идеей и рабочим решением. Для команд, которые сейчас строят собственные гибридные системы или агентные пайплайны, это ценная точка калибровки.

Взгляды Линя вписываются в более широкий разворот в отрасли: ведущие лаборатории всё чаще признают, что масштабирование «умения рассуждать» без «умения действовать» не даёт следующего уровня практической полезности. Агентный ИИ — это не просто следующая функция, а принципиально другая инженерная задача с другими требованиями к инфраструктуре, данным и методам оценки.