什么值得买App下载 App ›
连续签到专享现金活动

阿里开源语言世界模型:AI操作前就能预测环境变化,超越GPT-5.4登顶

2026年6月24日,阿里巴巴通义千问团队正式开源Qwen-AgentWorld——业内首个原生语言世界模型(Language World Model)。该模型能够预测AI智能体执行操作后环境的变化,覆盖MCP、Search、Terminal、SWE、Web、OS、Android七大交互领域。旗舰版Qwen-AgentWorld-397B-A17B在配套评测基准AgentWorldBench上取得58.71分,超越GPT-5.4的58.25分与Claude Opus 4.8的56.59分。目前开源版本Qwen-AgentWorld-35B-A3B及评测基准已可在Hugging Face与ModelScope获取。1234
区别于传统"先训通用模型再事后适配环境"的路径,Qwen-AgentWorld从继续预训练(CPT)阶段就将环境建模设为核心目标,贯穿CPT→SFT→RL全流程。团队基于超过1000万条来自真实环境的智能体交互轨迹完成训练,涵盖终端命令、网页交互、移动端操作、软件工程等多种场景。这种原生建模方式使模型自底向上构建环境理解能力,而非后期外挂适配器。567
Qwen-AgentWorld采用单一模型覆盖七大领域的设计。文本类环境包括MCP工具调用、Search搜索引擎、Terminal命令行终端与SWE软件工程;GUI类环境涵盖Web浏览器、OS桌面操作系统与Android移动端。值得注意的是,GUI场景的观测不依赖像素帧,而是以无障碍树XML、HTML、UI层级标记等可渲染代码形式呈现,使纯文本建模也能覆盖视觉环境。这种架构设计同时实现了跨领域知识迁移——模型在网页操作中积累的经验可直接迁移至移动端界面处理。189
训练流程分为三个递进阶段。CPT阶段注入环境知识,模型学习海量状态转移动态与专业语料;SFT阶段激活下一状态预测推理能力,通过7,094条高质量思维链轨迹让模型学会显式预测环境反馈;RL阶段使用GSPO算法结合混合奖励信号,进一步打磨模拟保真度。奖励机制包含规则校验与LLM评分两套系统,前者验证可客观判断的任务,后者评估开放式场景的格式、事实性、一致性与质量。11011
评测基准AgentWorldBench由5个前沿模型在9个成熟评测集上的真实环境交互构建,覆盖七大领域、2,170条样本,每条均配备真实环境执行的ground-truth观测。评估从格式、事实性、一致性、真实感与质量五个维度打分。397B-A17B以58.71分位列第一,领先GPT-5.4(58.25分)0.46分,在Terminal终端操作与SWE软件工程两个领域优势最为显著。35B-A3B版本经三阶段训练后从47.73分提升至56.39分,涨幅达8.66分,超越Claude Sonnet 4.6(56.04分)。11213
Qwen-AgentWorld的定位并非替代真实环境。团队明确指出,真实交互始终是验证智能体可靠性的黄金标准,LWM提供的是一条互补路径:作为解耦的环境模拟器,它具备真实环境难以实现的可扩展性与可控性,可规模化生成可控扰动甚至虚构世界的训练数据;作为统一的智能体基础模型,世界模型预热训练可迁移至域外多轮任务且无需额外RL微调。实验数据显示,可控模拟RL在MCPMark上提升12.3分,WideSearch F1提升16.3分,均优于纯真实环境训练。141513
模型已在Hugging Face与ModelScope平台开源,采用Apache 2.0协议可商用。开源版本为Qwen-AgentWorld-35B-A3B,MoE架构,总参数350亿,激活参数30亿,原生上下文262,144 tokens,兼容SGLang、vLLM、Transformers等主流推理后端。论文《Qwen-AgentWorld: Language World Models for General Agents》同步公开,arXiv编号2606.24597。397B-A17B作为性能标杆,其权重本次未公开。11612

评论

评论区空态插画

当前文章无评论,是时候发表评论了