阿里 Qwen-AgentWorld：一个模型模拟 7 类环境，跑分超过三大闭源旗舰

阿里发布 Qwen-AgentWorld，定位是原生语言世界模型，提供 35B-A3B 和 397B-A17B 两种规模。单个模型覆盖 MCP、Search、Terminal、SWE、Web、OS、Android 七类环境，在 AgentWorldBench 上 397B 版本的整体模拟质量超过 GPT-5.4、Claude Opus 4.8 和 Gemini 3.1 Pro。

为什么智能体需要世界模型

训练 Agent 的最大瓶颈不是模型能力，是环境。真实环境跑一次要几秒到几分钟，还会产生副作用，成本高得没法大规模试错。世界模型的作用是提供低成本的环境模拟：给定状态和动作，预测下一个状态和工具返回。有了它，Agent 的强化学习才能规模化。

七类环境共用一个模型的价值

过去每类环境都要单独做模拟器，Terminal 一个、Web 一个、Android 一个，工程量大且互相不通。一个模型覆盖七类，意味着跨环境的知识迁移成为可能：在 Terminal 里学会的排错思路能迁移到 SWE 场景。

两种规模对应的场景不同

35B-A03B 是给本地和小团队用的，397B-A17B 是对标旗舰的。前者能在实验室跑起来做研究，后者适合企业做大规模 Agent 训练。

需要冷静的地方

模拟质量和真实环境之间的差距，才是决定这套方案能不能用的关键。世界模型会犯错，Agent 在模拟里学会的策略搬到真机上可能失效。论文里的跑分不涉及这个 gap。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

七类环境共用一个模型，真正的价值是跨环境迁移：在 Terminal 里学会的排错思路能用到 SWE 场景。但我更关心模拟和真机之间的 gap，策略搬过去失效的概率有多高，论文没给。

用世界模型替代真实环境这个思路我认。搭 Agent 测试环境最痛的就是 fixture 维护，接口改个字段，几十个 mock 全废。七类环境覆盖能省不少事。想问误判怎么处理，模拟器判成功而真实环境失败的比例有没有量化过。