Agent 闭嘴的那几秒，在想什么

现在的 LLM Agent 有个先天设定：想事情和说事情走同一条路。推理靠生成文本，调工具、读返回结果也靠文本。这条路通用、可读，但慢——每个思考步骤都得变成词，一个 token 一个 token 吐出来。

另一条路是潜空间推理。模型跳过词表，直接在连续的隐向量里递归思考，快而且省 token。这条路线的代表是 Coconut 一族。短板也致命：潜思考接不上工具——工具要的是文本指令和结构化调用；过程还是黑的，中间在想什么没人看得见。

斯坦福、UIUC 和 Together AI 的一篇新论文把两条路接通了，叫 HybridAgent，编号 arXiv 2610.18861。

一座小桥

机制说穿了不复杂。模型平时正常说话；生成出一个特殊的锚点记号后，就闭嘴进入潜思考——隐状态不再过词表，直接在最后一层和输入层之间循环。负责接线的是个叫 HybridLink 的部件，本质是一个残差适配器，把最后一层的隐状态投影回输入嵌入空间。4B 的模型上，这座桥大约一千万参数。

闭嘴想多久、什么时候切回文本去调工具，都是模型自己决定的，没有人工规则。多轮交互之间，文本、潜思考、工具返回的全部中间状态以 KV 缓存形式原样保留，作为跨轮的工作记忆，不靠把历史重新拼进上下文。

训练分两步。先用 HybridSFT 稳住生成——让主干适应自己桥接出来的潜思考，消掉训练和推理之间的不一致；再用 HybridRL 学会分配——什么时候值得闭嘴深想，什么时候该开口行动，配了策略分解和精确的轨迹回放。

最意外的发现

论文里最好玩的一个词是 surprisingly。作者发现 HybridAgent 在潜模式里的思考，可以渲染成人类可读的伪文本。这条路原本最大的批评就是黑盒：潜思考快，但没人知道它在想什么。现在潜思考可以被翻译出来读，推理过程可查可调。快和透明，第一次同时成立。

数字

Qwen3-Base 三个规模：4B、8B、14B。11 个基准，覆盖数学、科学、医疗、检索和 agentic 推理，GAIA 和 HLE 都在列。对照对象包括前沿 LLM Agent（QwQ-32B、GLM-5.3-Flash）、agentic 框架，以及 Coconut、SoftThinking 这些潜推理方法——文本和潜两路都在表里。平均下来性能高 10.4%，token 少用 35.5% 到 54.7%，推理快 1.8 到 2.6 倍。

成本算得具体：按论文的定价假设，回答一百万个问题的费用从 359 美元降到 98 美元（4B 档，3.7 倍），8B 档 439 降到 121，14B 档 470 降到 176。规模越大增益越明显。

有三处要说清

流传的解读帖整体靠谱，数字都对得上论文。有三处要修正。一是「代码库暂未公开」——论文摘要明确挂了仓库，Together AI 组织下的 HybridAgent，十月九日建的，已经能跑。二是「相比前沿文本 Agent」——实际对照包含潜推理基线，Coconut 就在表里，赢的是两路人马，不只是文本那路。三是「仅约 10M 参数」——那是 4B 档的数字，桥的参数量随隐藏维度的平方涨，14B 档约五千万。

思考的带宽和交互的带宽，本来就是两种东西。这篇论文把它们接在了一起，还留了一扇能看进去的窗。4B 档那座一千万参数的小桥，替一百万个问题省下了 261 美元。