Hogar
Ex personal de Qwen Tech: Modelos grandes que evolucionan hacia entidades orientadas a la acción
Lin Junyang, antiguo ingeniero jefe del modelo de lenguaje grande original de Alibaba Qwen, pronunció sus primeras declaraciones públicas semanas después de abandonar la empresa el 26 de marzo, ofreciendo un análisis profundo de la próxima evolución en la tecnología de modelos grandes.
Lin Junyang señaló que la industria está pasando del «pensamiento basado en el razonamiento» al «pensamiento basado en agentes (pensamiento agéntico)». Argumenta que, mientras que el último año se centró en extender la duración del «pensamiento» de los modelos, el núcleo del futuro radica en si los modelos pueden «actuar» y refinar continuamente sus planes mediante la interacción con el mundo real.
Reflexiones sobre el desarrollo de Qwen: El dolor de forzar la fusión del «pensamiento» y las «instrucciones»
En su artículo, Lin Junyang compartió abiertamente los intentos y lecciones del equipo a principios de 2025. En ese momento, el equipo tenía como objetivo construir un sistema unificado capaz de ajustar la profundidad del razonamiento según la dificultad de las preguntas.
Sin embargo, la práctica demostró que las importantes diferencias de distribución entre los datos de razonamiento y los de instrucciones provocaron que el modelo tuviera un rendimiento mediocre en ambas áreas tras su integración forzada: parecía redundante e indeciso al pensar, y poco fiable y costoso al ejecutar instrucciones. Esta observación explica por qué Qwen pasó posteriormente a lanzar por separado las versiones Instruct y Thinking, proporcionando una referencia de ingeniería valiosa para la industria.
Un nuevo estándar para el «buen pensamiento»: ser capaz de respaldar acciones efectivas es clave
Según Lin Junyang, la longitud de la cadena de razonamiento no equivale directamente a la inteligencia del modelo. Perseguir ciegamente cadenas de razonamiento largas suele desperdiciar potencia de cálculo. Predice que el futuro de la I+D pasará de entrenar únicamente modelos a entrenar todo el sistema de agentes de «modelo + entorno».
Artículo relacionado
La integración profunda de ChatGPT permite acceder a 300 000 películas y series de televisión a través de la conversación
A medida que los servicios de streaming saturan el mercado con un sinfín de contenidos, ayudar a los usuarios a filtrar el ruido para encontrar lo que realmente buscan se ha convertido en un reto fund
Cómo optimizar los Core Web Vitals para mejorar el posicionamiento SEO
Transforma tu flujo de trabajo de edición de vídeo con transcripciones generadas por IAÍndice:IntroducciónVentajas clave de la transcripción automatizadaGarantizar la precisión y perfeccionar el resul
DingTalk reestructura su arquitectura con MuleRun de AliAI y da inicio a la era de los agentes completos
Chen Yusen, nuevo director ejecutivo de DingTalk y responsable de la unidad de negocio Wukong, ha revelado una importante reestructuración organizativa en un memorándum interno publicado esta tarde. M
Recomendaciones de temas especiales relacionados
comentario (0)
0/500
Lin Junyang, antiguo ingeniero jefe del modelo de lenguaje grande original de Alibaba Qwen, pronunció sus primeras declaraciones públicas semanas después de abandonar la empresa el 26 de marzo, ofreciendo un análisis profundo de la próxima evolución en la tecnología de modelos grandes.
Lin Junyang señaló que la industria está pasando del «pensamiento basado en el razonamiento» al «pensamiento basado en agentes (pensamiento agéntico)». Argumenta que, mientras que el último año se centró en extender la duración del «pensamiento» de los modelos, el núcleo del futuro radica en si los modelos pueden «actuar» y refinar continuamente sus planes mediante la interacción con el mundo real.
Reflexiones sobre el desarrollo de Qwen: El dolor de forzar la fusión del «pensamiento» y las «instrucciones»
En su artículo, Lin Junyang compartió abiertamente los intentos y lecciones del equipo a principios de 2025. En ese momento, el equipo tenía como objetivo construir un sistema unificado capaz de ajustar la profundidad del razonamiento según la dificultad de las preguntas.
Sin embargo, la práctica demostró que las importantes diferencias de distribución entre los datos de razonamiento y los de instrucciones provocaron que el modelo tuviera un rendimiento mediocre en ambas áreas tras su integración forzada: parecía redundante e indeciso al pensar, y poco fiable y costoso al ejecutar instrucciones. Esta observación explica por qué Qwen pasó posteriormente a lanzar por separado las versiones Instruct y Thinking, proporcionando una referencia de ingeniería valiosa para la industria.
Un nuevo estándar para el «buen pensamiento»: ser capaz de respaldar acciones efectivas es clave
Según Lin Junyang, la longitud de la cadena de razonamiento no equivale directamente a la inteligencia del modelo. Perseguir ciegamente cadenas de razonamiento largas suele desperdiciar potencia de cálculo. Predice que el futuro de la I+D pasará de entrenar únicamente modelos a entrenar todo el sistema de agentes de «modelo + entorno».
La integración profunda de ChatGPT permite acceder a 300 000 películas y series de televisión a través de la conversación
A medida que los servicios de streaming saturan el mercado con un sinfín de contenidos, ayudar a los usuarios a filtrar el ruido para encontrar lo que realmente buscan se ha convertido en un reto fund
Cómo optimizar los Core Web Vitals para mejorar el posicionamiento SEO
Transforma tu flujo de trabajo de edición de vídeo con transcripciones generadas por IAÍndice:IntroducciónVentajas clave de la transcripción automatizadaGarantizar la precisión y perfeccionar el resul
DingTalk reestructura su arquitectura con MuleRun de AliAI y da inicio a la era de los agentes completos
Chen Yusen, nuevo director ejecutivo de DingTalk y responsable de la unidad de negocio Wukong, ha revelado una importante reestructuración organizativa en un memorándum interno publicado esta tarde. M











