Junyang Lin foi o líder técnico do projeto Qwen da Alibaba até 3 de março de 2026, quando anunciou sua saída. Agora como pesquisador independente, ele publicou uma análise detalhada sobre os limites do chamado pensamento híbrido — a ideia de que um mesmo modelo pode alternar entre raciocínio profundo e respostas instantâneas — e argumenta que o futuro está nos agentes.
O que a palestra de Lin realmente cobre
A apresentação percorre toda a família Qwen — QwQ-32B, Qwen2.5-Max, Qwen3, Qwen2.5-VL e Qwen2.5-Omni — com comparações contra DeepSeek-R1, Grok 3 Beta, Gemini 2.5 Pro e a série o1 da OpenAI. O destaque fica com o Qwen3 e seus modos de pensamento híbrido: um modo thinking para raciocínio passo a passo e um modo non-thinking para respostas quase instantâneas, com orçamentos dinâmicos de raciocínio que permitem limitar o quanto o modelo “pensa”.
O Qwen3 expandiu o suporte multilíngue de 29 para 119 idiomas e dialetos, com variantes de 0.6B a 235B parâmetros (incluindo MoE), todas sob licença Apache 2.0 em formatos GGUF, GPTQ, AWQ e MLX. Mas o slide final é o que realmente importa: “Training models → training agents” (Treinar modelos → treinar agentes).
Por que o pensamento híbrido é difícil
Lin explica que o modo thinking e o modo instruct puxam em direções opostas. Um bom modelo instruct é recompensado por objetividade, brevidade e baixa latência. Um bom modelo thinking é recompensado por gastar mais tokens em problemas difíceis. Tentar fundir os dois sem cuidado degrada ambos: o raciocínio fica inflado e as respostas diretas perdem precisão.
O Qwen3 tentou essa fusão com um pipeline de pós-treinamento em quatro estágios — cold start com long-CoT, RL de raciocínio e uma etapa de “fusão de modos de pensamento”. Mas as variantes posteriores (linha 2507) já separaram as versões Instruct e Thinking. Lin classifica isso como um problema de dados, não de arquitetura.
A Anthropic tomou o caminho oposto: o Claude 3.7 Sonnet foi lançado como modelo híbrido com orçamento de raciocínio definido pelo usuário, e o Claude 4 permite que o raciocínio se intercale com uso de ferramentas. O ponto de Lin: uma trilha de raciocínio mais longa não torna um modelo mais inteligente. O pensamento deve ser moldado pela carga de trabalho, não pelo benchmark.
Do pensamento “de raciocínio” ao pensamento “agêntico”
Lin traça uma linha entre duas eras. A primeira foi o pensamento de raciocínio (reasoning thinking), definido pelo o1 da OpenAI e pelo DeepSeek-R1. Essa era ensinou que RL precisa de recompensas determinísticas e verificáveis — matemática, código e lógica — e transformou RL em um problema de sistemas (rollouts em larga escala e verificação).
A próxima era é o pensamento agêntico (agentic thinking): pensar para agir. Um agente formula planos, decide quando agir, usa ferramentas, lê feedback do ambiente e revisa suas ações. É definido por interação em ciclo fechado com o mundo, não por um longo monólogo interno.
Lin lista o que o pensamento agêntico precisa enfrentar e que o raciocínio puro pode ignorar:
- Decidir quando parar de pensar e agir
- Escolher qual ferramenta invocar e em que ordem
- Incorporar observações ruidosas ou parciais do ambiente
- Revisar planos após falhas
- Manter coerência através de múltiplos turnos e chamadas de ferramentas
Infraestrutura de RL para agentes é mais difícil
O ponto central de engenharia da apresentação é sobre infraestrutura. No RL de raciocínio, os rollouts são trajetórias autocontidas com avaliadores limpos. No RL agêntico, a política vive dentro de um harness de servidores de ferramentas, navegadores, terminais e sandboxes.
Esse harness impõe um novo requisito: treino e inferência precisam ser claramente desacoplados. Sem isso, a vazão de rollouts desaba. Um agente de código esperando a execução de testes em tempo real paralisa a inferência e mata o treino. A utilização de GPU cai bem abaixo do que o RL de raciocínio alcança.
Lin também reformula a obsessão da era SFT com diversidade de dados. Na era dos agentes, ele argumenta que times devem otimizar a qualidade do ambiente: estabilidade, realismo, cobertura e resistência a exploração. Ele nomeia o reward hacking como o problema mais difícil, porque o acesso a ferramentas amplia a superfície de ataque para otimização espúria.
Casos de uso concretos
Agentes de código: um modelo de raciocínio emite um patch a partir de um stack trace. Um sistema agêntico executa o harness de testes, lê o erro real, revisa e reexecuta até a suíte passar.
Deep research: um modelo de raciocínio escreve uma resposta longa de memória. Um sistema agêntico quebra a pergunta em subconsultas, chama busca, descarta fontes fracas e retorna citações fundamentadas. O próprio demo de Deep Research do Qwen está nessa categoria.
Orquestração multiagente: Lin espera que a “engenharia de harness” importe mais. Um orquestrador planeja e roteia o trabalho. Subagentes especializados executam tarefas mais estreitas e ajudam a controlar a poluição de contexto.
O toggle de pensamento do Qwen3 na prática
O pensamento híbrido é exposto diretamente no código. A flag enable_thinking alterna os modos no template de chat. O modo thinking é o padrão e envolve o raciocínio em um bloco <think>...</think>. O Qwen3 também aceita switches suaves: adicionar /think ou /no_think ao turno do usuário alterna o modo por mensagem — é sobre isso que os orçamentos dinâmicos de pensamento são construídos.
Conclusão de Lin
A tese central é clara: o campo está migrando de treinar modelos para treinar agentes. O pensamento agêntico é julgado pela ação sustentada em um ambiente, não pela deliberação interna. O RL agêntico exige infraestrutura de treino-serve desacoplada e ambientes de alta qualidade. E o reward hacking é o risco central quando modelos ganham acesso real a ferramentas. A era do monólogo interno está dando lugar à era da interação com o mundo.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
