Qwen-AgentWorld：一个模型模拟七类环境，语言模型开始学“世界怎么运转”

阿里发布 Qwen-AgentWorld，定位是首个原生语言世界模型，提供 35B-A3B 与 397B-A17B 两个规模。单一模型覆盖七类环境：MCP、Search、Terminal、SWE、Web、OS、Android，并声称可实现跨领域知识迁移。在 AgentWorldBench 上，397B 版本的整体模拟质量超过 GPT-5.4、Claude Opus 4.8 与 Gemini 3.1 Pro。

世界模型这个词在这里的意思

不是视频生成那种世界模型。它指的是：给定当前状态与一个动作，模型预测环境会返回什么。终端里敲一条命令，输出是什么；网页上点一个按钮，页面变成什么样；安卓上滑动，界面怎么响应。

为什么这件事重要

Agent 训练最大的瓶颈是环境。真实执行一遍成本高、速度慢、还不能并行。如果有一个足够准的模拟器，Agent 可以在里面快速试错，把“探索”这一步的成本砍掉几个数量级。

这也是强化学习在 Agent 上迟迟跑不起来的原因之一：缺少又便宜又快的环境。文本世界模型如果精度够，就补上了这一块。

七类环境合成一个模型的价值

分开训练七个模拟器，每个都能做得不错，但学不到跨环境的共性。合成一个模型，MCP 工具调用的规律可能帮助理解 Terminal 的命令反馈——都是“发出指令、返回结构化结果”这个模式。

跨领域迁移是不是真的成立，要看论文级的细节，但方向是对的。

泼一盆冷水

模拟器再准也是近似的。Agent 在模拟环境里学到的策略，迁到真实环境会有偏差，这叫模拟到现实的落差。误差会在多步交互里累积，三步之后可能就完全跑偏。

实际用法应该是混合：模拟环境做大规模探索筛出候选策略，真实环境做最终验证与小样本微调。指望纯模拟训练出可用的 Agent，短期内不现实。

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。

不改基座只加一层可训练模块，用40亿token蒸馏，这个路子对已经有生产模型的团队很友好。但长上下文的难点从来不只在注意力机制，位置编码的外推能力和训练数据的长度分布才是硬骨头，换了注意力这两个问题不会自动消失。256K检索基准和能处理256K业务请求也不是一回事，检索是找一段，理解是全部读懂。

七类环境统一建模听着漂亮，但我更关心模拟器和真机之间的分布差：训练里跑通的轨迹到了真机上，权限报错、超时这类边缘情况还认不认。benchmark 分数高不等于线上稳，得看有没有真机回放。

用语言模型模拟环境，本质是给 Agent 训练造一个便宜的沙箱，省掉真实终端和浏览器的调用成本。但模拟器本身会失真，模型在模拟环境里学会了错误的操作反馈，迁移到真机反而更糟。想知道有没有做过模拟与真实环境的对齐验证，误差在什么量级。