千问发布首个原生语言世界模型，AI 智能体训练进入新阶段

阿里千问今天正式发布 Qwen-AgentWorld，官方将其定位为「首个原生语言世界模型」。这不是又一个通用大模型的性能刷榜，而是在回答一个更根本的问题：AI 智能体要在真实环境中干活，能不能先在一个模拟世界里学会怎么干？

答案是可以，而且效果相当不错。

什么是「语言世界模型」？

先解释一下这个概念。传统的智能体训练有个尴尬的问题：你想让 AI 学会操作电脑、浏览网页、执行终端命令，就得让它在真实环境里反复试错。但真实环境成本高、风险大，而且很难规模化——你不可能同时开一万台真机让 AI 去折腾。

语言世界模型的思路是：用一个语言模型来模拟环境的响应。AI 智能体发出一个动作（比如点击按钮、输入命令），世界模型就预测环境会返回什么结果。整个训练过程可以完全在「虚拟世界」里进行，不需要真实环境参与。

这个思路并不新鲜，但之前的实现方式通常是：先训练好一个通用大模型，再针对特定环境做微调。Qwen-AgentWorld 的做法不同——环境建模从继续预训练（CPT）阶段就开始了，贯穿 CPT → SFT → RL 全流程。这就是「原生」的含义。

打个比方：之前的方案像是给一个成年人恶补某个领域的知识，而 Qwen-AgentWorld 是从小就在这个环境里长大的「原住民」。

一个模型，七大领域

更有意思的是覆盖范围。Qwen-AgentWorld 用单一模型同时支持七个智能体交互领域：

文本类环境：

• MCP：Model Context Protocol，AI 调用外部工具的标准协议
• Search：搜索引擎交互
• Terminal：命令行操作
• SWE：软件工程环境，代码仓库级别的操作

GUI 类环境：

• Web：网页浏览和操作
• OS：桌面操作系统
• Android：移动端应用

为什么要塞到一个模型里？因为这些领域之间有大量可迁移的知识。你在终端里学会的目录操作概念，在文件管理器 GUI 里也能用；你在网页上学会的表单填写逻辑，在移动端也是类似的。单一模型可以实现跨领域知识迁移，而不是每个领域单独训练一个专家模型。

从技术路线上看，这是一个相当激进的选择。很多团队会选择「小而专」的路线，针对特定领域做深度优化。千问选择了「大而全」，用更大的模型容量来换取通用性。

两个尺寸，对标旗舰

Qwen-AgentWorld 提供两个规格：

| 规格 | 总参数量 | 激活参数量 | 定位 | |------|----------|------------|------| | 35B-A3B | 350 亿 | 30 亿 | 轻量部署 | | 397B-A17B | 3970 亿 | 170 亿 | 旗舰性能 |

从命名规则看，这是 MoE（混合专家）架构，A 后面的数字是激活参数量。397B-A17B 意味着虽然总参数接近 4000 亿，但单次推理只激活 170 亿参数，在性能和效率之间取得平衡。

官方给出的对比数据：在自家的 AgentWorldBench 评测中，Qwen-AgentWorld-397B-A17B 的整体模拟质量超过了 GPT-5.4、Claude Opus 4.8 和 Gemini 3.1 Pro。

这个对比需要谨慎看待。首先，这是在千问自己设计的评测基准上的结果；其次，「模拟质量」是一个复合指标，具体怎么算的还需要看技术报告。但至少说明这个模型在环境模拟这个特定任务上，已经达到了第一梯队的水平。

训练数据：超过 1000 万条真实交互轨迹

语言世界模型的质量，很大程度上取决于训练数据的质量和规模。Qwen-AgentWorld 基于超过 1000 万条真实环境交互轨迹训练而成。

这个数据量相当可观。每条轨迹包含：智能体的动作序列、环境的状态变化、最终的执行结果。收集这些数据需要在真实环境中运行大量的智能体任务，记录下完整的交互过程。

数据来源可能包括：

• 内部智能体系统的日志
• 公开的智能体评测数据集
• 合成生成的交互轨迹

具体比例官方没有披露，但从覆盖七个领域来看，数据的多样性应该是重点投入方向。

AgentWorldBench：配套的评测基准

同步发布的还有 AgentWorldBench，这是一个覆盖七大领域的语言世界模型评测基准。

这个基准有个关键特点：每条测试样本都配备了真实环境执行所得的观测数据。也就是说，评测时不是让模型凭空想象环境应该怎么响应，而是对比模型的预测和真实环境的实际响应，看两者有多接近。

这种评测方式更加客观，也更能反映模型在实际应用中的表现。

模型和评测基准都可以从 Hugging Face 和 ModelScope 获取，这意味着其他研究团队可以复现结果、进行对比研究。

两种应用范式

千问在技术文档中描述了 Qwen-AgentWorld 的两种应用方式：

范式一：解耦的环境模拟器

把 Qwen-AgentWorld 当作一个独立的环境模拟器，用来训练其他智能体模型。

传统的智能体强化学习需要在真实环境中采样，这带来几个问题：

• 成本高：真实环境的计算资源、API 调用都要花钱
• 速度慢：受限于真实环境的响应速度
• 不可控：很难构造特定的边界情况来测试

用语言世界模型替代真实环境后，这些问题都能缓解。而且，模拟环境可以实现一些真实环境做不到的事情——比如可控的场景构造。你可以让模拟环境故意返回各种异常情况，强迫智能体学会处理边界 case。

官方实验显示：在模拟环境中训练的智能体，效果显著优于仅在真实环境中训练的智能体。这验证了「可控模拟」的价值。

范式二：统一的智能体基础模型

更有想象力的用法是：把 Qwen-AgentWorld 本身当作智能体的基础模型。

逻辑是这样的：一个能准确预测环境响应的模型，对环境的理解一定是深刻的。这种理解可以迁移到智能体任务上——不需要额外的强化学习微调，直接用世界模型来执行任务。

官方的验证结果：经过世界模型预训练后，模型可以有效迁移到涵盖七个基准的多轮智能体任务，其中三个基准完全没有出现在训练集中。这说明模型学到的是通用的环境交互能力，而不是死记硬背特定任务的解法。

这个方向如果走通，意味着未来的智能体开发流程可能会变成：先在世界模型上做大规模预训练，获得通用的环境理解能力，再针对具体任务做轻量级适配。

放在行业背景下看

语言世界模型并不是千问的独创概念。OpenAI、DeepMind、Meta 都有相关的研究工作。但 Qwen-AgentWorld 的特点在于：

1. 原生建模：从预训练阶段就融入环境建模，而不是事后适配
2. 多领域统一：单一模型覆盖文本和 GUI 两大类、七个具体领域
3. 开源发布：模型和评测基准都对外开放

特别是第三点，在当前的开源生态中很有价值。智能体是大模型应用落地的关键方向，但高质量的环境模拟器一直是稀缺资源。Qwen-AgentWorld 的开源，可能会加速整个领域的研究进展。

千问的智能体野心

把这次发布放在千问的产品线中看，逻辑就更清晰了。

今年 1 月，千问 App 上线了「任务助理」功能，打通淘宝、支付宝、飞猪、高德等阿里生态，让 AI 可以直接帮用户下单、订票、叫车。这是智能体在 C 端的落地。

4 月发布的 Qwen3.6-Plus 强化了编程和智能体能力，在 SWE-bench 等评测中表现突出。这是智能体在开发者场景的落地。

现在发布的 Qwen-AgentWorld，则是智能体训练基础设施的布局。

三步棋连起来看：千问不只是要做一个能干活的智能体，而是要建立一套完整的智能体研发和部署体系。从基础模型、到训练方法、到应用落地，全链条都要覆盖。

这个战略思路和 OpenAI 的 Operator、Anthropic 的 Computer Use 形成了正面竞争。区别在于，千问选择了开源路线，试图通过生态建设来获取竞争优势。

实际应用：谁会用这个模型？

从应用场景看，Qwen-AgentWorld 的目标用户主要是：

1. 智能体研发团队

如果你在开发 AI 智能体产品，Qwen-AgentWorld 可以作为训练环境的替代品，降低数据采集成本，加速迭代周期。

2. 学术研究者

智能体和强化学习是学术热点，但真实环境的实验成本很高。一个高质量的开源世界模型，可以让更多研究者参与进来。

3. 企业自动化场景

对于需要大规模部署 RPA（机器人流程自动化）的企业，Qwen-AgentWorld 可以用来预训练自动化脚本，提高任务成功率。

当然，这些应用都还需要时间验证。模型刚发布，实际效果如何，还要看社区的反馈。

技术细节的一些推测

官方的技术文档还没有完全公开，但从已有信息可以做一些推测：

架构方面：大概率基于 Qwen 系列的 MoE 架构，397B-A17B 的规格和之前的 Qwen 模型一致。可能在 attention 机制上做了针对序列预测的优化。

训练方面：CPT 阶段应该是用「动作-观测」序列来构造训练数据，让模型学习 P(observation | action, context) 这个条件概率。SFT 和 RL 阶段则是针对模拟质量和一致性进行优化。

推理方面：作为环境模拟器使用时，需要支持自回归式的多轮交互。这对上下文管理和一致性维护提出了较高要求。

具体细节还是要等技术报告出来才能确认。

值得关注的后续发展

这次发布是一个开始，后续值得关注的点包括：

1. 技术报告的详细内容：训练方法、数据构造、评测细节
2. 社区的复现和对比：其他团队在 AgentWorldBench 上的表现
3. 下游应用的落地：有没有团队基于 Qwen-AgentWorld 做出实际产品
4. 与其他世界模型的对比：比如 DeepMind 的 Genie、Meta 的相关工作

语言世界模型是一个正在快速发展的方向，千问这次的发布，至少证明了这条路线的可行性。至于能走多远，还要看后续的研究和应用验证。

---

参考来源

• 阿里千问发布首个原生语言世界模型 Qwen-AgentWorld - IT之家对本次发布的详细报道