林俊旸在离开阿里千问团队后首次公开发声，未对离职风波或个人去向作出回应，而是以一篇长文深入探讨了AI领域从“推理模型时代”向“智能体时代”的演进逻辑。
千问团队曾尝试将“思考模式”与“指令模式”整合到单一模型中，Qwen3便是这一思路的代表性成果。该模型引入混合思维框架，试图通过四阶段后训练流水线实现两种模式的动态平衡。然而，林俊旸坦言，这种融合面临本质性挑战：指令模式追求简洁高效，而思考模式需要深度探索，两者在数据分布和行为目标上的差异导致合并后的模型表现平庸——思考变得冗余犹豫，指令变得迟缓昂贵。尽管2025年下半年千问团队拆分了独立版本，但林俊旸认为，真正的突破应在于构建“推理力度连续光谱”，使模型能自适应调整思考深度。
行业对推理模型的探索已进入新阶段。OpenAI的o1和DeepSeek-R1验证了通过强化学习训练“先思考后回答”能力的可行性，其核心在于利用数学、代码等强反馈信号优化模型正确性。但林俊旸指出，当前研究重心正从“延长思考时间”转向“为行动而思考”。智能体式思维要求模型在与环境交互中动态修正计划，而非仅生成静态推理轨迹。例如，编程任务中，智能体需通过执行、调试、迭代逐步优化代码，而非一次性输出完整方案；工具调用需根据实时反馈调整策略，而非依赖预设函数库。
智能体时代的到来对技术栈提出全新要求。传统推理强化学习依赖静态评估环境，而智能体训练需构建包含工具服务器、模拟器、执行沙箱的闭环系统。林俊旸强调，环境设计已成为核心能力，其稳定性、真实性和反馈丰富度直接影响模型效能。例如，编程智能体若在训练中直接搜索答案而非自主推理，虽能提升短期指标，却会削弱实际解决问题的能力。多智能体协作框架逐渐兴起，通过编排者分配任务、领域专家处理细分问题、子智能体维护上下文隔离，实现复杂任务的高效分解与执行。
技术路径的分野已显现。Anthropic的Claude系列通过可控思维预算整合推理与工具使用，将编程质量和长周期任务作为首要目标；GLM-4.5则统一推理、编程与智能体能力，强调动态规划与跨轮次连贯性。林俊旸认为，这些实践揭示了未来方向：从训练单一模型转向训练智能体系统，竞争优势将源于环境构建、编排工程及闭环决策能力。例如，智能体需在部分可观测环境中处理噪声数据，在失败后修正策略而非重新规划，这些能力无法通过延长推理时间实现，而需通过与真实世界的交互迭代获得。
随着工具赋能的思维模式成为主流，AI研究正从“追求更长推理轨迹”转向“优化有效行动路径”。林俊旸的论述为行业提供了新视角：真正的智能不在于输出多少文字，而在于能否在复杂环境中持续产生实际价值。这一转变或将重新定义AI技术的评价体系与发展方向。
