维度网讯，阿里巴巴Qwen团队发布Qwen-AgentWorld，包含两个模型，它们并非用于在智能体环境中执行行动，而是用于预测这些环境返回的结果，覆盖MCP、搜索、终端、软件工程、Android、Web和操作系统七个领域。

此次发布延续了阿里巴巴近期对自主智能体的投入，5月发布的Qwen3.7-Max围绕35小时自主执行能力构建。团队指出，大规模训练智能体面临的核心瓶颈在于真实环境训练的局限：搜索引擎无法注入受控条件，实时终端不允许按需模拟低磁盘空间等边缘情况，智能体难以系统性地暴露于罕见场景。

研究团队在生成的模拟器中训练智能体，发现其性能提升超过仅基于真实环境训练的效果。另一项测试中，将世界模型训练作为智能体微调前的预热步骤，在七个基准测试中均提升了性能，其中三个基准测试在训练中从未见过。伴随发布的论文指出，世界建模是实现通用智能体的关键环节。

与传统智能体模型优化动作选择不同，Qwen-AgentWorld被训练用于回答相反问题：给定智能体刚执行的操作，环境接下来会显示什么。论文将这一方法称为“语言世界模型”，模型在单一训练目标下学习预测全部七个领域的下一环境状态。此前的相关研究范围较窄，如Qwen在2月发布的WebWorld仅覆盖网络环境；Snowflake在同月发布的Agent World Model生成代码驱动的SQL支持环境，而非训练模型预测状态。Qwen-AgentWorld是首个在单一模型中横跨七个领域，并从最早预训练阶段就融入环境建模的模型。

训练过程使用了来自真实智能体运行的一千多万条环境交互轨迹，分为三个阶段：第一阶段教模型环境运作方式，包括文件系统、终端状态、浏览器DOM变化和API响应；第二阶段训练模型先推理后续状态再进行预测；第三阶段通过强化学习，利用基于规则的检查和开放式质量评分收紧预测。两个模型均采用混合专家设计，每个token仅激活一小部分参数。35B模型激活3B，397B激活17B，两者均支持256K上下文窗口。对于GUI领域（Android、Web和操作系统），模型从文本可访问性树和UI视图层次结构中工作，而非截图。35B模型权重和AgentWorldBench在Apache 2.0许可下可用；397B权重尚未公开发布。

基准测试分数显示了模型预测环境返回内容的准确度，但训练结果揭示了这种预测能力对构建智能体团队的实际价值，这些数字更为重要。据研究人员介绍，在受控模拟中训练的智能体表现优于在真实环境中训练的智能体。注入定向扰动将MCPMark从24.6提升至33.8。在搜索任务中，在完全虚构世界中训练的智能体迁移到真实搜索任务，将开源35B模型上的WideSearch F1 Item从34.02提升至50.31。预热测试显示，世界模型预训练将BFCL v4从62.29提升至71.25，将Claw-Eval从53.60提升至64.88，且无需任何智能体特定微调。

论文发布后引起AI研究者讨论。有观点认为Qwen颠倒了核心问题，训练模型预测环境本身，这种预测知识随后迁移到智能体任务中，即使没有进行智能体特定微调。也有研究者指出，AgentWorldBench是阿里巴巴在同一篇论文中构建并发布的基准，测试中其模型以0.46的差距胜出，可能引发对评估标准独立性的审视。模拟RL方法面临的传统问题是智能体容易过度拟合模拟器的特性，若世界模型过于干净，智能体学习的是模型而非任务。论文中的留出划分和数据结果部分回应了这些担忧，虚构世界的搜索结果表明，在这些环境中训练的智能体可以迁移到真实搜索任务。

对于构建和扩展智能管道的团队而言，这项工作提供了第三种选择：注入生产环境不会出现的边缘情况的受控模拟。合成环境是一种合法的训练层，是真实环境RL的补充，而非绕过它的捷径。在智能体训练前进行环境基础化，比当前大多数实践更早地在开发过程中发挥作用，能够在不需智能体特定训练的情况下提升多个基准测试的性能，模型在训练前所学的内容比大多数管道所考虑的要重要得多。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com