如果你在做 agent，绕不开一个老问题：智能体要学会规划，就得先能预判「我这一步做下去，环境会变成什么样」。这正是「世界模型」（world model）干的事——给定当前的观察和一个动作，预测下一步的环境状态。它一直被当成推理和规划的核心认知机制，但过去更多出现在游戏、机器人仿真、视频生成这类场景里。通义团队这次发布的 Qwen-AgentWorld，把这套思路搬到了语言模型上，并称它是首个能模拟 agentic 环境的语言世界模型。 要理解它的定位，得先分清两种「世界模型」。一种是像素级或物理级的仿真器，预测的是图像帧或物理量；另一种是这里说的「语言世界模型」，它用语言模型来描述和预测环境的状态转移，靠的是长链思维推理（long chain-of-thought）一步步推演接下来会发生什么。对一个跨域的通用 agent 来说，环境往往本来就以文本形式呈现（工具返回、页面内容、系统状态），用语言模型直接建模这种状态转移，路径上更顺。 模型放出两档，命名是 MoE（混合专家）的写法：Qwen-AgentWorld-35B-A3B 和 Qwen-AgentWorld-397B-A17B。A3B、A17B 指的是每次推理实际激活的参数量约 3B 和 17B，远小于总参数（35B 和 397B），这是 MoE 用更少算力撑起更大容量的常见做法。两档分别面向算力受限和追求上限的场景。论文称这两个模型覆盖 7 个域，但具体是哪 7 个，原文摘要未逐一列出。 训练用了一套三段式流水线，每一步分工明确。CPT（持续预训练）从状态转移动态和增强后的专业语料里，先把通用的世界建模能力「灌」进模型；SFT（监督微调）负责激活「下一状态预测」这种推理形态，让模型学会按观察加动作去推下一步；RL（强化学习）则用一套定制框架、配上「评分准则 + 规则」的混合奖励（hybrid rubric-and-rule rewards），把模拟的保真度再磨高。支撑这套训练的是超过 1000 万条真实环境的交互轨迹，覆盖那 7 个域——数据规模和「来自真实环境」是这条值得看的地方。 为了评测语言世界模型这件还比较新的事，团队配套发布了 AgentWorldBench。它的构建方式是收集 5 个前沿模型在 9 个既有基准上的真实交互，再据此搭成一个评测集。换句话说，它衡量的是「模型对真实智能体行为下环境变化的预测有多准」，而不是直接刷某个任务分。论文给出的结论是 Qwen-AgentWorld 明显优于现有前沿模型，并且用它做 world-model 预热训练（warm-up）之后，下游 7 个 agentic 基准都有提升。 对不同技术栈的人，这条的意义不太一样。做 agent 和规划的，可以关注「用语言世界模型替代或补充专用环境仿真器」这条路是否走得通；做 RL 和环境工程的，更值得看的是它把真实交互轨迹喂进 CPT/SFT/RL 来提升模拟保真度的做法，以及 AgentWorldBench 这个评测视角本身。 诚实的保留也要说清楚。摘要里给的是「显著优于前沿模型」「下游 7 个基准都有提升」这类定性结论，但没有公开具体的分数、对比的对手名单和提升幅度，这些原文未给出，无法判断领先是大是小。是否开源权重、7 个域具体是哪些、AgentWorldBench 用的是哪 5 个模型和哪 9 个基准，目前的材料也没说明。再加上这是 arXiv v1 的首发，结论还需第三方未污染评测来印证。方向有意思，但量化结论暂时只能照原文转述、不宜过度解读。