斯坦福大学、Together AI 联合发表新论文《Hybrid Reasoning Agents》，提出一套新Agent推理架构：HybridAgent。
回答一个有意思的问题：为什么 AI 的思考过程，一定要用人类语言表达出来？

现在的推理模型，无论是解决数学题，还是调用工具完成复杂任务，基本都依赖 Chain-of-Thought（思维链），一个 Token 接着一个 Token 地生成推理内容。

但我们人类思考的时候不总是在脑海里逐字说话，有时候是一种直觉、模糊的概念，甚至是一种难以用语言描述的判断。
AI 有没有可能也这样？

它让 AI 在潜在空间（Latent Space）中进行内部推理，需要与外部世界交互时，再切换到自然语言。
Agent可以先在潜在空间中思考需要什么信息，然后切换到文本模式调用搜索工具。拿到搜索结果后，再回到潜在空间继续分析，如果需要计算，就切换到文本模式调用 Python。
整个过程就像人在脑海里思考，只有需要查资料、使用工具或者回答问题的时候，才把想法表达出来。

传统大模型通过LM Head将隐藏状态转换成 Token，论文的 HybridLink 增加另一条路径，让隐藏状态经过映射后，直接作为下一步Transformer计算的输入。
研究人员还设计了Continuous Working Memory，通过KV Cache保留文本、潜在推理和工具反馈的上下文，让模型能够跨工具调用延续内部状态。
训练上，则通过HybridSFT和HybridRL，让模型学习什么时候进行潜在推理，什么时候切换到文本模式与外部交互。

实验效果基于Qwen3-Base模型平均性能相对提升10.4%，Token使用量减少35.5%～54.7%，推理速度达到原来1.8～2.6倍，估算解码计算成本降低2.7～3.7倍

今天讨论Thinking Token有多少、思维链有多长，但更多的 Token 并不意味着思考更有效。
未来的Agent，或许可以把更多计算留在内部，只在需要与人类和外部环境交互的时候，才转换成我们能够理解的语言。
语言可能只是 AI 与世界交互的一种接口，而不必成为所有内部推理的载体。

#人工智能 #Agent #HybridAgent #LatentReasoning #ChainOfThought #强化学习 #AI技术前沿 #AI搞学习howto