Qwen-AgentWorld：单一模型原生模拟7大代理环境，35B版本即超GPT-5.4

Image

Qwen 团队开源了语言世界模型 Qwen-AgentWorld，它在一个模型内部直接模拟七类代理环境，不再仅仅把环境当成工具调用，而是将环境建模本身变成了训练目标。总参数量 35B、激活参数 3B 的版本性能就超越了 GPT-5.4，397B 版本更登顶 AgentWorldBench 榜首；模型可以零样本迁移到未曾见过的环境，而且用虚拟环境做强化学习，效果甚至优于真实环境训练。

指标数值
统一模拟域7
MoE 总参/激活397B / 17B
AgentWorldBench Overall58.71

大型语言模型正在被不断推入“更会行动”的训练赛道，但一个基础问题被长期忽视：模型自己在环境中行动时，环境自身长什么样？谁帮它提前知道执行终端命令后 shell 会返回什么、点击 Android 按钮后界面会发生什么变化、在搜索框输入关键词后页面会怎样跳转？Qwen-AgentWorld 把“环境建模”从事后拼凑的补充方案，拉回到训练目标的第一天。

语言世界模型究竟是什么

机器人领域早就有了“世界模型”的概念：给定当前画面和一个动作，预测下一帧画面。语言世界模型做的是同一件事，只不过将输入输出全部变成了文本——Agent 的工具调用、终端输出、搜索片段、网页跳转、Android 屏幕状态，统一用自然语言序列来表达。模型的任务是：看到上一步的动作，准确说出下一步的环境观察会是什么。

这听上去像是一种简单的“补全”，但作者把它定义为环境模拟器。如果模型能够稳定预测后续状态，甚至可以施加可控扰动，或者虚构出内在一致的新世界，它本质上就是一个可编程的环境生成器，不再只依赖真实系统的回放。

七个环境域，一套模型管线

在此之前，任何语言世界模型都只覆盖一到两个领域。Qwen-AgentWorld 把 MCP、Search、Terminal、SWE、Android、Web、OS 这七种环境的交互数据统一纳入一条训练管线。

训练过程分为三个阶段：

  • CPT（持续预训练）：向模型注入真实环境的状态转换轨迹和专业语料，让它先学会“下一步通常是什么样的”这类常识。
  • SFT（监督微调）：激活“下一个状态预测”的推理格式，让模型将“动作→状态”写成可读的思维链。
  • RL（强化学习）：利用混合 rubric 规则和模型评分的奖励，进一步推高模拟保真度。

这三种训练方式不是可选项，而是一条完整的流水线。作者特别强调：并不是先训练一个通用语言模型，再在上面“加一点世界建模”；世界建模目标从 CPT 阶段起就是原生目标，这就是所谓“原生世界模型”。

为什么比 GPT-5.4 更值得关注

AgentWorldBench 从五个维度给每一个预测的环境观察打分：格式正确性、事实正确性、一致性、逼真度、质量。Qwen-AgentWorld-397B-A17B 以 58.71 分位居第一，超过 GPT-5.4 的 58.25 和 Claude Opus 4.8 的 56.59。

AgentWorldBench 前五（综合）

  • Qwen-AgentWorld-397B-A17B：58.71
  • GPT-5.4：58.25
  • Claude Opus 4.6：57.80
  • Qwen3.5-397B-A17B（未做 LWM 训练）：54.74

这些数字背后的差距在于：Qwen-AgentWorld 在终端和 SWE 等系统交互型环境上明显占优，而这正是多数命令行 Agent 真正工作的场景。35B 版本相比同样规模、但未经过世界建模训练的 Qwen3.5-35B-A3B 提升了 8.66 分，说明这一训练范式独立有效。

更重要的是泛化能力：模型在真实环境上训练之后，能够零样本外推到全新的真实环境（论文中给出了 Claw Agent 示例），还能通过注入控制指令制造可控扰动，甚至构造出完全虚构但内部一致的世界，让 Agent 在虚拟世界中训练之后，在真实任务上反而表现更强。

“不是让模型更懂文字，而是让模型先懂环境。”

关键判断：世界建模不是 Agent 的“选修课”。当 Agent 进入更长的行动链路、使用更多工具、面对更复杂的系统环境时，对状态的误判会层层累积，最终导致失败。先把“环境理解”单独训练好，再让 Agent 去调用，是一条更稳妥的工程路径。

对个人开发者和创业者的实用价值

并不是只有大厂才需要世界模型。即便你只是个人开发者或 AI 应用创业者，下面三件事也可以直接落地：

  • 低成本做 Agent 评测：AgentWorldBench 是公开的基准测试，可以直接评测你自己微调的 CLI Agent 在终端、SWE、OS 等场景中的真实能力。
  • 用虚拟环境做 RL 微调：不用触碰生产环境就能生成可控、可污染、可虚构的训练轨迹，显著降低数据采集的风险和成本。
  • LWM 预热作为通用能力：Qwen-AgentWorld 论文发现，即使不针对任何下游任务做额外的 Agent 训练，仅凭世界模型预热，就能让七个 Benchmark 同时提升，最高提升 +12.79。

直接把模型当成工具使用

给定一段工具调用历史，让模型预测下一个环境状态，可用于轨迹验证、异常检测或交互式 mock 服务。

通过 SGLang 或 vLLM 部署为 OpenAI 兼容 API，模型 ID 使用 Qwen/Qwen-AgentWorld-35B-A3B。

适用范围与限制

35B 版本吞吐友好，在 4 张 A100/H100 或同等算力上即可使用 SGLang/vLLM 部署；397B 版本则需要更高的硬件配置。目前开源权重和 benchmark 采用 Apache 2.0 协议，可用于商业评测和二次训练。论文已将 MCP、Search、Terminal、SWE、Android、Web、OS 七种环境的评测 prompt 全部公开，实验可以直接复现。

适合：正在从事 Agent RL、Agent 评测、工具调用训练的个人开发者和小团队。

不适合：只做普通对话、不需要与环境交互的应用，这个模型并不会比通用聊天模型更有优势。