通义实验室近日放出一个不太一样的模型：Qwen-AgentWorld。它不是聊天模型，不是写代码模型，也不是图像视频模型，而是一个原生语言世界模型，英文叫 Language World Model，简称 LWM。这条路线目前国内走得最深的一拨人里，通义算是第一批吃螃蟹的。模型覆盖 MCP、Search、Terminal、SWE、Web、OS、Android 七个领域，训练数据来自超过一千万条真实交互轨迹，在 AgentWorldBench 评测上以 58.71 分压过 GPT-5.4 和 Claude Opus 4.8。开源模型与评测基准同时放出，目标是给整个智能体工具链提供一个新底座。
把"世界模型"塞进语言模型里，到底在解决什么问题
智能体训练最大的瓶颈不是算法，是环境。一个能操作浏览器、调用工具、写代码的 Agent 之所以难训，本质上是因为它需要一个"沙盒地球"——在里头试错、摸索、积累经验。可现实环境的反馈又慢又贵，没法像下棋那样一天跑几百万局。世界模型恰好补上这块空白：让模型先在内部把环境"预测"出来，再去行动。
世界模型不是新概念，语言化的世界模型才是
世界模型在自动驾驶、机器人领域已经被玩了好几年，Wayve、谷歌 DeepMind 都做过视频生成式的世界模型。但通义这次走的是另一条路：用纯文本Token去描述环境的下一个状态，而不是用像素。状态被压成结构化语言——文件树、URL、终端输出、API 返回值——再让 LLM 学会预测它。Qwen-AgentWorld 就是这样一个 Token 级别的环境模拟器，吃下当前状态和动作，吐下一个状态。
两条训练路线：CPT、SFT、RL 串起来
训练分三阶段走通。第一阶段 CPT（Continual Pre-Training），用千万级真实交互轨迹做继续预训练，让模型先建立"环境会怎么响应动作"的直觉。第二阶段 SFT（Supervised Fine-Tuning），用高质量轨迹微调行为策略。第三阶段 RL（Reinforcement Learning），在模拟环境里跑强化学习，把环境本身作为奖励信号的来源。这套流程的精妙之处在于：环境是模型自己生成的，反馈也是模型自己模拟的，整个训练闭环可以脱离真实操作系统运行。
AgentWorldBench 58.71 分：凭什么压过 GPT-5.4
AgentWorldBench 是衡量世界模型质量的关键基准——它考的不是 Agent 能不能完成任务，而是世界模型能不能准确预测环境变化。Qwen-AgentWorld-397B-A17B 拿到 58.71，GPT-5.4 是 58.25，Claude Opus 4.8 没公布具体分数但被同台对比。考虑到这俩对手在通用推理上的体量，Qwen-AgentWorld 在专项能力上打成平手甚至反超，说明纯语言路径完全够用。
397B 参数、A17B 激活的 MoE 结构
模型采用 397B 总参数、激活 17B 的 MoE 架构。激活比例极低，意味着推理成本可控。对于一个"环境模拟器"来说，推理速度比绝对规模更关键——Agent 在模拟环境里可能要走几十步，每一步都要调用世界模型预测下一个状态。激活参数控制在 17B，单步延迟在可接受范围内，这才有实用价值。
七领域覆盖：MCP、Search、Terminal、SWE、Web、OS、Android
这七个领域基本覆盖了 Agent 工具链的全部主战场。Web 浏览器操作、Terminal 命令执行、SWE 软件工程任务是老三类，MCP 协议交互和 OS 级别操作是新增量，Search 则是信息检索的入口。Android 领域尤其值得关注——移动端 Agent 是 2025 年才火起来的方向，把手机操作变成可模拟的环境状态，难度远高于桌面端，因为触屏手势、App 生命周期、权限弹窗的随机性极强。
Sim RL 与 LWM 预热：世界模型的两种落地姿势
模型本身是底座，落到训练流程里才显出价值。Qwen-AgentWorld 验证了两条路径，恰好对应智能体训练的两大痛点：环境太贵怎么办，预训练冷启动怎么办。
作为解耦模拟器，Sim RL 在 WideSearch 上反超真实环境
第一条路径是解耦式环境模拟器。把世界模型和 Agent 策略模型分开——世界模型负责生成环境反馈，Agent 模型只管决策。在 WideSearch 基准上，用模拟环境做 RL 训练，Agent 最终的 F1 达到 50.3%，真实环境 RL 训出来的是 45.6%。模拟环境反超真实环境，乍听反直觉，逻辑却站得住脚：真实环境的反馈噪声大、状态空间稀疏，模拟环境则可以控制难度、调节分布、强化长尾场景。RL 训练对环境质量的要求高于真实度。
作为智能体基础模型，LWM 预热可迁移至七个基准
第二条路径是嵌入式预热。不把世界模型单独抽出来，而是把它当作 Agent 基础模型的预训练目标——先在"预测环境"任务上学一遍，再去做具体任务。结果显示，这种预热在七个下游基准上都有正向迁移，其中三个完全没出现在 LWM 训练阶段。零样本迁移的泛化性，意味着 LWM 学到的不是某一类环境的特征，而是"环境变化"这个抽象概念本身。
开源策略：模型、基准、训练数据一并放出
通义这次的开源力度不小。模型权重、AgentWorldBench 评测代码、训练框架同步上线，开发者可以拿来复现、做二次实验，甚至直接接入自己的 Agent 工具链。
对 Agent 工具链团队的真实价值
做 Agent 的团队最头疼的事：环境搭建成本高得离谱。一个能跑 BrowserUse、Terminal、SWE 任务的统一沙盒，光基础设施就要烧几个月。Qwen-AgentWorld 提供了一个轻量替代——用模型预测替代真实环境，把"造沙盒"变成"调模型"，开发周期可能从季度压缩到周。对于想快速验证 Agent 想法的中小团队，这是个新工具。
语言世界模型会不会取代传统 RL 环境
短期不会，长期取决于几个变量。当前语言世界模型的优势在"低成本、可控、可调节"，劣势在"真实度有上限"——比如复杂 GUI 渲染、视觉反馈、多模态环境，纯文本模拟器还差得远。但如果多模态语言模型继续演进，Token 化环境描述扩展到图像、视频、3D，语言世界模型的边界会持续外推。通义这步棋，更像是给整个赛道画了一条基线。后续玩家要回答的问题是：怎么在这条基线上长出自己的技术树。
