Qwen-AgentWorld：让 Agent 先学会预测世界
Qwen-AgentWorld 把 Agent 训练中的环境反馈建模成语言世界模型：覆盖七类交互环境，用 CPT/SFT/RL 学会预测下一步观察，并通过受控仿真与 LWM 预热推动 Agent 训练。文章拆解它的训练管线、评测结果、开源边界和真正值得验证的限制。
Agent 训练里最麻烦的部分，往往不是「模型会不会想」，而是「它做完一步以后，环境到底会怎样回应」。终端会吐出什么错误，API 会返回哪种分页，浏览器 DOM 会如何变化，真实系统里这些反馈又慢又贵，有些还不可逆。Qwen-AgentWorld 把这个问题反过来做：先训练一个语言世界模型，让它根据当前交互历史和 Agent 动作预测下一步环境观察。官方博客把它定义为覆盖 MCP、Search、Terminal、SWE、Web、OS、Android 七类环境的原生语言世界模型；arXiv 摘要也强调，它的目标是研究世界建模如何推进通用 Agent。12
这篇工作的价值不在于又多了一个会调用工具的 Agent。更准确地说，它在补 Agent 训练中的「环境缺口」：当真实环境不够便宜、不够可控、不够安全时，能不能用一个模型先模拟世界的反应，再拿这些模拟交互去训练或预热 Agent。
先看结论：它想做 Agent 的训练场
Qwen-AgentWorld 有两个层面的主张。
第一层是环境仿真。模型不是在通用 LLM 上临时加一个「扮演终端」提示词，而是从持续预训练阶段开始就把环境建模当训练目标。官方给出的训练路径是 CPT → SFT → RL：CPT 注入环境知识，SFT 激活下一状态预测的推理模式，RL 再用混合奖励提高仿真质量。训练数据规模超过 1000 万条真实环境交互轨迹。12
第二层是 Agent 能力迁移。团队把世界模型放进两种范式里测试：一种是把它当独立环境模拟器，用于 Sim RL；另一种是把下一状态预测当作模型自身的预热训练，让同一个模型在做 Agent 时先学会「行动前预测环境反应」。官方结果显示，受控仿真比无控制仿真更有效，单轮非工具调用的 LWM RL 预热也能迁移到多轮工具调用任务。1
七个环境被压成一种语言问题
这项工作最有意思的设计，是把 GUI 环境也尽量转成语言状态。Terminal、Search、MCP、SWE 本来就有文本反馈；Web、Android、OS 这三类 GUI 环境，则用 HTML、accessibility tree XML、UI hierarchy markup 这类可渲染代码表示，而不是直接预测像素帧。1
这会带来一个现实好处：模型需要学习的不是「图片下一帧长什么样」，而是「环境状态如何变化」。比如一次网页点击后，HTML 和可访问性树怎么更新；一次 MCP 工具调用后，服务端返回结构是否和前几轮保持一致；一次 shell 管道失败后，错误是从哪一步传导出来的。官方举的例子里，模型要解释
curl -s localhost:3000 | python3 -m json.tool 为什么失败，需要串起 Node.js 未安装、服务未启动、端口无监听、curl 空输出、json.tool 报错这一整条因果链。1这也是它和普通「工具调用模型」的区别。工具调用模型通常学习「下一步该调哪个工具」，世界模型学习「如果我这么做，环境会回什么」。前者偏决策，后者偏后果预测。对复杂 Agent 来说，后者更像行动前的心算。
训练配方：不是只喂轨迹，还要控制哪些轨迹有信息量
官方把训练拆成三段。
- CPT 阶段使用非思考轨迹注入环境知识，数据来自容器沙箱、MCP server、Android / Web / OS 模拟器、开放环境轨迹和内部 Agent 轨迹；同时加入工业控制、网络安全、法律、医疗、金融、时事等领域知识语料。博客还提到 turn-level information-theoretic loss masking：用四个表层统计量识别每个动作-观察对中真正携带环境信息的轮次，只让这些轮次进 loss，其余仍作为上下文保留。1
- SFT 阶段用带有思考块的下一状态预测样本激活推理模式，官方披露通过 rejection sampling 选出了 7,094 条高质量训练样本。1
- RL 阶段使用 GSPO，并结合两类奖励：一类是 LLM judge 对格式、事实性、一致性、真实感、质量等维度打分，另一类是在可程序校验的领域用规则 verifier。1
这里的关键点是，团队没有把所有交互日志一股脑塞进去。环境交互里有大量低信息量轮次，例如重复确认、格式壳、无状态变化的返回。如果这些轮次权重太高，模型会学会「像环境」但不一定学会「环境为什么这样变化」。loss masking 试图把训练信号集中到状态转移更明显的地方。
成绩怎么读：强项在可校验状态，不是泛泛聊天
官方提出 AgentWorldBench，用真实环境执行得到的 observation 做参照，覆盖 5 个前沿模型在 9 个既有 benchmark 上的轨迹，并按 format、factuality、consistency、realism、quality 五个维度评分。1
在主结果里，Qwen-AgentWorld-397B-A17B 的总体分数是 58.71，高于 GPT-5.4 的 58.25；35B-A3B 版本的总体分数是 56.39，相比 Qwen3.5-35B-A3B 的 47.73 提高 8.66 分。官方称优势最明显的领域是 Terminal 和 SWE，因为这两类任务更依赖代码执行状态、文件变化和工具 API 行为的精确建模。13
这组分数要谨慎读。它说明 Qwen-AgentWorld 在「预测环境观察」这个专门任务上比一批前沿模型更贴近真实环境，并不等于它作为最终 Agent 一定更会完成所有任务。评测本身也依赖 LLM judge，虽然有真实 observation 参照，但仍然不是生产环境成功率。
两种用法：外置模拟器，或内化成 Agent 的预演能力
第一种用法是把世界模型当外置训练场。Agent 做动作，Qwen-AgentWorld 返回下一步环境观察，Agent 再从模拟 rollout 中学习。官方在 4,000 个训练中未出现过的 OpenClaw 环境上做 Sim RL，使用 Qwen-AgentWorld-397B-A17B 作模拟器后，Claw-Eval 提升 +4.3，QwenClawBench 提升 +7.1；用 Qwen3.6-Plus 充当模拟器时，改进几乎没有出现。1
更值得看的是「可控」。在 MCP 场景中，控制指令可以注入间歇性 API 错误、分页返回、不完整中间结果、批量操作局部失败等扰动。官方结果显示，无控制 Sim RL 在 Tool Decathlon 上反而从 32.4 降到 31.5；加入受控仿真后，Tool Decathlon 提高 +3.7，MCPMark 提高 +12.3。1
Search 场景里，团队还构造了 1,000 个自洽的虚构世界，每个世界由 300–500 行关系数据库支撑。这样做的好处是，答案只存在于模拟环境里，Agent 不能靠参数记忆绕过搜索；又因为事实是虚构的，模型不会把模拟事实和真实世界混在一起。官方披露，Qwen3.5-35B-A3B-SFT 经过受控 Sim RL 后，WideSearch 的 F1 by Item 从 34.02 到 50.31，F1 by Row 从 13.72 到 24.21。1
第二种用法更像能力预热。团队在 Qwen3.5-35B-A3B-SFT 上做单轮、非 Agent、无工具调用的 LWM RL，然后直接评估多轮工具调用任务。结果显示，Terminal-Bench 2.0 提高 +6.3，SWE-Bench Verified 提高 +3.4，SWE-Bench Pro 提高 +5.2，WideSearch F1 Item 提高 +12.8；在训练未覆盖的 Claw-Eval、QwenClawBench、BFCL v4 上，也分别提高 +11.3、+9.7、+9.0。1
如果这些结果能被更多外部环境复现，它指向一个很实用的训练方向：Agent 不只学「下一步做什么」，还要学「做完之后会发生什么」。这比单纯强化工具调用格式更接近真实工作流。
已开放什么，没开放什么
GitHub README 显示，Qwen 团队开放了 Qwen-AgentWorld-35B-A3B 和 AgentWorldBench；35B-A3B 是 MoE 架构，35B 总参数、3B 激活参数，支持 256K 上下文。README 还给出 SGLang、vLLM 和 Transformers 的部署方式，并说明 vLLM 需要
--language-model-only，因为模型架构包含视觉组件定义，但 checkpoint 只含语言模型权重。3这意味着开发者现在能直接试的是 35B-A3B 版本和 benchmark，不是主结果里分数最高的 397B-A17B。文章里讨论的很多结论，尤其是仿真质量作为 Sim RL 瓶颈、受控扰动带来的收益，需要区分「论文验证过的大模型设定」和「开源权重能否在自己任务上复现」。
这项工作最该被追问的边界
第一，GUI 世界被转成了 markup，而不是像素。这样做让训练更统一，也更适合长上下文建模，但它避开了一部分视觉真实世界问题：图片内容、动态动画、渲染延迟、鼠标轨迹、跨应用权限弹窗，这些都可能影响真实桌面或移动端 Agent。官方博客明确说 GUI observation 采用 renderable code 表示，这一点不能被读成「完整视觉世界仿真」。1
第二，Sim RL 的效果依赖初始状态。官方在关键发现里写到，仿真有效性取决于给世界模型足够详细的初始状态；状态不充分时，仿真保真度和下游收益都会下降。对真实业务系统来说，状态描述往往正是最难结构化的一部分。1
第三，受控仿真能塑造行为，但也可能塑造偏见。WideSearch 实验里，Sim-RL-trained agents 的
web_extractor 调用从 2.5 增加到 4.0，而 Real-RL-trained agents 从 2.5 降到 1.5；官方解释是，模拟 snippets 刻意隐藏细节，使 Agent 学会多打开全文。1 这在需要充分取证的搜索任务里是好事，但换到收费 API、慢网页或风控环境，更多提取调用未必总是更优。我的判断：它把 Agent 训练的重点往前挪了一步
Qwen-AgentWorld 的信号是：通用 Agent 的瓶颈不只在 policy，也在 environment。过去很多训练把环境当成外部黑箱，Agent 只根据回传结果调参；这篇工作尝试把环境动态本身变成可学习对象，再用它去放大训练规模、制造边缘情形、预热模型的后果预测能力。
短期看，它最适合三类人跟进。做 Agent 基础设施的人，可以把它当作故障注入和离线训练的候选方案。做模型训练的人，可以评估「下一状态预测」是否能作为工具调用训练前的预热任务。只使用现成 Agent 产品的人，不必急着把它当成能力跃迁；更应该等开源 35B-A3B 在真实仓库、真实网页、真实 API 上的复现实验。
这篇工作的落点很具体：如果一个 Agent 在行动前不会估计环境后果，它就很难在长任务里稳定。Qwen-AgentWorld 给出的答案，是先训练一个能预测环境的模型，再让 Agent 在这个可控世界里学会犯错、修正和选择下一步。
References
- 1Qwen 官方博客：Qwen-AgentWorld
qwen.ai
- 2
- 3
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.