Qwen-AgentWorld 是 Qwen 团队发布的语言世界模型，用于模拟智能体环境。它不像通用聊天模型那样只回答问题，而是被设计为预测智能体执行某个动作后环境会返回什么。

这使其尤其适用于 AI 智能体研究、模拟强化学习、基准评测，以及围绕终端、软件工程、搜索、MCP、Web、操作系统和 Android 风格环境的本地实验。

本文是原中文文章的轻度改写与翻译版本。文章保留了原有结构、技术流程、命令、表格和核心观点，同时对语言进行了调整，以便更顺畅地进行英文阅读和 SEO 发布。

来源说明：原文发布于 CSDN，并声明遵循 CC BY-SA 4.0 许可证。原始来源：Qwen-AgentWorld完整部署指南：免费开源，性能超GPT-5.4，5分钟跑起来。 核验说明：Qwen 官方页面确认公开发布了 Qwen-AgentWorld-35B-A3B 模型权重和 AgentWorldBench。更大的 Qwen-AgentWorld-397B-A17B 被包含在官方基准测试结果中，但公开模型页面和 GitHub 发布主要指向 35B-A3B 模型权重。

---

1. 背景：为什么我们需要语言世界模型？

在过去两年里，AI 智能体已迅速从简单的聊天助手发展为能够操作网站、运行终端命令、控制移动应用并完成软件工程任务的工具。

但训练一个强大的智能体成本很高。它通常需要大量真实环境交互，而这会带来几个实际问题：

• 构建和维护环境非常繁琐。

• 数据收集速度慢且难以扩展。

• 真实环境存在风险，尤其是在测试失败场景或注入受控扰动时。

语言世界模型，即 LWM，正是为解决这一问题而构建的。其思路简单但强大：让模型扮演环境的角色。给定一个智能体动作和交互历史，模型预测下一个环境状态。

通过这种设置，智能体可以在模拟环境中进行训练和评估，而不必总是依赖真实系统。

2026 年 6 月 24 日，Qwen 团队发布了 Qwen-AgentWorld，这是一个原生语言世界模型，可在一个模型中统一七个智能体交互领域。配套基准测试 AgentWorldBench 也一同发布。

官方资源：

• 技术报告：arXiv:2606.24597

GitHub：QwenLM/Qwen-AgentWorld

• Hugging Face：Qwen/Qwen-AgentWorld-35B-A3B

• Qwen 博客：Qwen-AgentWorld

---

2. 核心理念：是什么让它成为“原生”世界模型？

这里的 原生 一词很重要。Qwen-AgentWorld 并不是一个在训练后被调整来模仿环境的通用大语言模型。它的世界建模目标从一开始就被融入到训练过程中。

比较维度	传统方法	Qwen-AgentWorld
训练起点	微调通用大语言模型	从 CPT 开始就将环境建模作为目标
训练过程	通常仅使用 SFT 或 RL	CPT → SFT → RL
环境知识	通过额外数据或适配添加	在训练过程中内化
领域覆盖范围	一个或少数几个领域	一个模型涵盖七个领域

换句话说，Qwen-AgentWorld 不只是一个用提示词包装的通用模型。它是从流水线的较底层开始训练的，用于预测环境的下一个状态。

这使模型能够更有结构地理解环境动态，尤其是在模拟较长的交互轨迹时。

---

3. 七个领域：一个模型中的文本环境与 GUI 环境

Qwen-AgentWorld 将智能体交互场景分为两大类：基于文本的环境和基于 GUI 的环境。

┌──────────────────────────────────────────┐
│             Qwen-AgentWorld              │
│                                          │
│  文本环境             GUI 环境           │
│  ┌──────────┐       ┌──────────────────┐ │
│  │  MCP     │       │  Web             │ │
│  │  搜索    │       │  操作系统        │ │
│  │  终端    │       │  Android         │ │
│  │  SWE     │       └──────────────────┘ │
│  └──────────┘                            │
└──────────────────────────────────────────┘

领域	类型	描述
MCP	文本	工具调用和模型上下文协议交互
搜索	文本	搜索引擎交互和检索行为
终端	文本	Linux 终端命令执行
SWE	文本

rowspan="1">

软件工程任务，例如代码修复

Web

GUI

浏览器和网页交互

OS

GUI

桌面操作系统交互

Android

GUI

移动应用和 Android 风格 UI 交互

对于这三个 GUI 领域，观测以可渲染代码表示，而不是原始像素帧。这使得基于文本的世界模型能够覆盖视觉环境，而无需直接处理完整的图像序列。

该模型在七个领域中超过 1000 万条真实世界交互轨迹上进行了训练。

---

4. 三阶段训练流程

Qwen-AgentWorld 使用相互衔接的三阶段训练流程：CPT → SFT → RL。

阶段 1：CPT——注入环境知识

在持续预训练期间，模型从大规模真实环境交互轨迹中学习。此阶段将环境动态嵌入到模型权重中。

原文还提到了一个轮次级信息论损失掩码。其目标是识别哪些对话轮次实际携带环境状态信息，并减少来自不太有用轮次的噪声。

阶段 2：SFT——激活思维链推理

监督微调将下一状态预测转化为思维链式推理模式。

模型不会直接输出预测结果，而是学习在生成下一个观测之前推理状态为什么应该发生变化。

阶段 3：RL——优化仿真保真度

强化学习阶段使用混合奖励信号，包括 GSPO 算法，以提升输出质量。

优化重点包括：

• 格式正确性

• 事实准确性

上下文一致性

真实性

整体仿真质量

原文中提到的涌现行为： 据称，Qwen-AgentWorld 表现出自我纠错行为、搜索场景中的信息泄露防范，以及针对某些命令输出预测的多步因果推理能力。

---

5. 开源模型列表

发布版本	参数量	激活参数量	上下文长度	定位
Qwen-AgentWorld-35B-A3B	35B	3B	256K 个 token	公开、高效的开放模型
Qwen-AgentWorld-397B-A17B	397B	17B	原表中未明确列出	旗舰基准模型
AgentWorldBench	—	—	—	评测基准

35B-A3B 架构细节

• 基础模型： Qwen3.5-35B-A3B-Base

• 模型类型： 因果语言模型 / 语言世界模型

• 架构风格： 混合线性注意力 + MoE

• 隐藏维度： 2048

• 层数： 40 层

• 层布局： 由 Gated DeltaNet、Gated Attention 和 MoE 组件构成的重复分组

• 专家： 256 个专家

激活专家： 8 个路由专家 + 1 个共享专家

上下文长度： 262,144 个 token

• 建议最小上下文： 为获得更好的长轨迹模拟质量，建议使用 128K token

Hugging Face 官方文档还指出，该模型兼容 Transformers、vLLM 和 SGLang。

---

6. 性能比较：AgentWorldBench 结果

AgentWorldBench 从五个维度对每个模型进行评分：格式、事实性、一致性、真实性和 质量。分数标准化为 0–100 的量表，分数越高越好。

按总体得分完整排名

60.85

模型	MCP	搜索	终端	SWE	Android	Web	操作系统	总体
Qwen-AgentWorld-397B-A17B	68.24	37.82	57.73	68.49	60.20	50.98	67.89	58.71
GPT-5.4	70.10	37.26	53.69	66.29	60.00	51.80	68.58	58.25
Claude Opus 4.6	69.90	29.30	57.51	64.55	61.74	51.42	70.20	57.80
Claude Opus 4.8	54.93	35.14	59.18	64.10	61.50	54.66	66.62	56.59
Qwen-AgentWorld-35B-A3B	64.79	36.69	53.96	65.63	58.17	49.55	65.92	56.39
Claude Sonnet 4.6	70.00	28.79	56.98	64.52	58.03	50.78	63.17	56.04
Qwen3.5-397B-A17B	68.31	30.81	55.30 Frei · We0 AI nutzen Erstelle in Minuten eine Showcase-Website und gewinne Leads Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic. Eine komplette Projektgeneration zur kostenlosen Registrierung Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen. Kostenlos starten Ohne Titel-1 Layout Füllen Radius Generieren	64.44	54.90	48.55	54.74
Gemini 3.1 Pro	59.07	30.21	52.47	59.07	61.40	52.83	66.92	54.57
DeepSeek-V4-Pro	63.27	27.61	51.26	59.44	55.17	50.32	63.70	52.97
Qwen3.5-35B-A3B	57.87	25.98	46.13	47.58	53.18	47.10	56.27	47.73

原文要点：

• Qwen-AgentWorld-397B-A17B 总分达到 58.71，在所列的 AgentWorldBench 表格中排名第一。

• Qwen-AgentWorld-35B-A3B 相比基础模型 Qwen3.5-35B-A3B 提升了 +8.66 分。

实用说明：请将基准测试数字视为来自官方基准测试设置的参考数据。实际结果将取决于硬件、提示词设计、服务框架、上下文长度以及所模拟的环境。

---

7. 四种应用模式与实验结果

模式 1：可泛化的 OOD 环境扩展

原文描述了使用 Qwen-AgentWorld-397B-A17B 在 4,000 个分布外的 OpenClaw 环境中进行模拟强化学习，然后在新领域中测试零样本泛化能力。

训练方法	Claw-Eval	QwenClawBench
基础 SFT	65.4	47.9
使用通用模型模拟器的模拟强化学习	66.7	47.8
使用 Qwen-AgentWorld 模拟器的模拟强化学习	69.7	55.0
提升	+4.3	+7.1

模式 2：可控模拟——MCP 定向扰动

与标准的真实环境训练相比，受控扰动能更有效地暴露智能体的薄弱点。

配置	工具十项全能	MCPMark
基础 SFT	32.4	21.5
无控制的仿真 RL	31.5	24.6
带控制的仿真 RL	36.1	33.8
提升	+3.7	+12.3

模式 3：虚构世界构建——搜索领域

搜索领域实验使用一个虚构但自洽的搜索世界进行训练，然后在真实搜索任务上评估泛化能力。

配置	WideSearch F1 项	WideSearch F1 行
基础 SFT，35B	34.02	13.72
+ Sim RL 虚构世界	50.31	24.21
提升	+16.29	+10.49

模式 4：智能体基础模型——LWM RL 热身迁移

文章还将 LWM RL 预热描述为一种无需在这些特定任务上进行额外 RL 微调即可提升下游智能体性能的方法。

指标	Terminal-Bench 2.0	SWE-Bench Verified	SWE-Bench Pro	WideSearch F1	Claw-Eval	BFCL v4
基础 SFT	33.25	64.47	42.18	33.38	53.60	62.29
+ LWM RL 预热	39.55	67.86	47.42	46.17	64.88	71.25
提升	+6.30	+3.39	+5.24	+12.79	+11.28	+8.96

亮点：预热数据来自单轮、非智能体轨迹，但这种提升迁移到了更复杂的多轮工具调用智能体任务中。这表明世界建模知识可以迁移到其原始训练格式之外。

---

8. 快速部署指南

方法 1：使用 SGLang 部署

原文建议使用 SGLang 进行快速服务部署。

pip install sglang

python -m sglang.launch_server \
    --model-path Qwen/Qwen-AgentWorld-35B-A3B \
    --port 8000 \
    --tp-size 4 \
    --context-length 262144 \
    --reasoning-parser qwen3

启动后，兼容 OpenAI 的 API 端点为：

http://localhost:8000/v1

方法 2：使用 vLLM 部署

pip install vllm

vllm serve Qwen/Qwen-AgentWorld-35B-A3B \
    --port 8000 \
    --tensor-parallel-size 4 \
    --max-model-len 262144 \
    --reasoning-parser qwen3 \
    --trust-remote-code

官方文档说明：当前 Hugging Face 模型卡也建议在使用 vLLM 时加上 --language-model-only，因为该模型架构包含视觉组件定义，而检查点包含的是语言模型权重。如果 vLLM 初始化失败，请尝试添加该标志。

vllm serve Qwen/Qwen-AgentWorld-35B-A3B \
    --port 8000 \
    --tensor-parallel-size 4 \
    --max-model-len 262144 \
    --reasoning-parser qwen3 \
    --language-model-only \
    --trust-remote-code

方法 3：使用 Transformers 进行本地推理

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen-AgentWorld-35B-A3B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto",
)

messages = [
    {
        "role": "system",
        "content": "你是一个语言世界模型，用于模拟 Linux 终端环境。"
                   "给定用户的命令，预测终端输出。"
    },
    {
        "role": "user",
        "content": "操作：execute_bash\n命令：ls -la /home/user/project/"
    }
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=2048, temperature=0.6)
response = tokenizer.decode(outputs[0][inputs.input_ids.shape[-1]:], skip_special_tokens=True)
print(response)

方法 4：通过 OpenAI 兼容 API 调用

该方法适用于通过 SGLang 或 vLLM 部署模型之后。

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

messages = [
    {
        "role": "system",
        "content": "你是一个语言世界模型，用于模拟 Linux 终端环境。"
    },
    {
        "role": "user",
        "content": "操作：execute_bash\n命令：pwd"
    }
]

response = client.chat.completions.create(
    model="Qwen/Qwen-AgentWorld-35B-A3B",
    messages=messages,
    max_tokens=32768,
    temperature=0.6,
)

print(response.choices[0].message.content)

最佳实践

• 推荐采样：temperature=0.6、top_p=0.95、top_k=20

推荐输出长度：对于大多数长观察，约 32,768 个 token

• 使用仓库 prompts/ 目录中的领域特定系统提示，以获得更好的模拟质量

• 在可能的情况下，将上下文长度保持在至少 128K；默认模型上下文为 256K

---

9. AgentWorldBench 评估工作流

如果你想在 AgentWorldBench 上测试自己的世界模型，原文给出了一个三步工作流。

# 1. 克隆评估仓库
git clone https://github.com/QwenLM/Qwen-AgentWorld.git
cd Qwen-AgentWorld

# 2. 下载评估数据集
huggingface-cli download Qwen/AgentWorldBench --repo-type dataset --local-dir ./AgentWorldBench

# 3. 安装依赖
pip install openai

cd eval

# 第 1 步：世界模型推理
python eval.py infer \
    --data-dir ../AgentWorldBench \
    --model-base-url http://localhost:8000/v1 \
    --model-name Qwen/Qwen-AgentWorld-35B-A3B \
    --output-dir ./results

# 第 2 步：LLM 裁判评分。这需要一个 OpenAI API 密钥。
export OPENAI_API_KEY="your-api-key"
python eval.py judge \
    --predictions ./results/predictions.jsonl \
    --judge-base-url https://api.openai.com/v1 \
    --judge-model gpt-5.2-2025-12-11 \
    --output-dir ./results

# 第 3 步：汇总分数
python eval.py score --predictions ./results/judged.jsonl

每个测试样本都包含来自真实环境执行的真实观察数据。该基准从格式、事实性、一致性、真实性和质量等方面评估世界建模能力。

---

10. 微调建议

如果你想针对特定领域定制 Qwen-AgentWorld，原文推荐了三种常见的微调框架。

框架	优势	适用场景
ms-swift	与 ModelScope 高度集成	快速实验和阿里巴巴生态系统工作流
LLaMA-Factory	活跃的社区和广泛的训练策略支持	实际工程部署
Unsloth	强大的内存优化	资源受限的微调

---

11. 来源说明与图像处理

原文包含多张与 Qwen-AgentWorld 领域和基准测试结果相关的图片。这些图片已保留在相关章节中。

根据发布要求，已移除 CSDN 平台图标、推广模块、作者订阅区块、二维码、打赏按钮以及无关的推荐图片。

---

常见问题

什么是 Qwen-AgentWorld？

Qwen-AgentWorld 是 Qwen 团队推出的语言世界模型。它会预测智能体执行动作后的下一个环境状态，因此可用于智能体仿真、训练和评估。

Qwen-AgentWorld 和普通聊天模型一样吗？

不一样。普通聊天模型主要针对对话和指令遵循进行优化。Qwen-AgentWorld 被训练为环境模拟器，因此其主要使用场景是在智能体交互环境中预测观测结果。

哪个 Qwen-AgentWorld 模型是公开可用的？

官方页面列出 Qwen-AgentWorld-35B-A3B 作为公开发布的模型权重。AgentWorldBench 也作为评估基准提供。更大的 397B 模型出现在基准测试表中，但公开模型发布主要指向 35B-A3B 版本。

Qwen-AgentWorld 可以使用 vLLM 部署吗？

是的。Hugging Face 模型卡包含一个 vLLM 服务示例。如果遇到初始化问题，官方模型卡建议添加 --language-model-only，因为该检查点包含语言模型权重。

Qwen-AgentWorld 可以使用 SGLang 部署吗？

可以。SGLang 是推荐的服务选项之一，并且可以暴露一个兼容 OpenAI 的 API 端点。随后即可通过本地 API 请求调用该模型。

为什么 Qwen-AgentWorld 需要长上下文窗口？

智能体环境模拟通常依赖较长的交互历史。较短的上下文窗口可能会丢失重要的状态信息，因此官方指南建议在可能的情况下至少保留 128K 个 token。

AgentWorldBench 用于什么？

AgentWorldBench 是随 Qwen-AgentWorld 一同发布的基准测试。它使用格式、事实性、一致性、真实性和质量等维度，对七个领域中的语言世界模型进行评估。

Qwen-AgentWorld 适合用于生产环境吗？

它可用于研究、评估、模拟和内部实验。对于生产系统，你仍然需要评估延迟、硬件成本、安全性、提示词可靠性，以及模拟结果是否足够贴近你的真实环境。

---

相关工具

• Qwen-AgentWorld GitHub：Qwen-AgentWorld 代码、提示词和评估工作流的官方仓库。

• Hugging Face 上的 Qwen-AgentWorld-35B-A3B：公开 35B-A3B 权重的官方模型页面。

• AgentWorldBench：用于评估语言世界模型的官方基准数据集。

• SGLang：用于大型语言模型的快速服务框架。

• vLLM：用于服务 LLM 的高吞吐量推理引擎。

• Transformers：用于本地模型加载和推理的 Hugging Face 库。

• OpenAI Python SDK：可调用兼容 OpenAI 的本地模型服务器的 Python 客户端。

• ms-swift：ModelScope 用于 LLM 工作流的训练和微调框架。

---

相关链接

• Qwen-AgentWorld 技术报告：介绍该模型、基准测试和训练设置的官方 arXiv 论文。

• Qwen-AgentWorld 官方博客：Qwen 针对该项目的官方发布文章。

• Qwen-AgentWorld GitHub 仓库：提示词、评估脚本和项目文档的主要来源。

• Qwen-AgentWorld-35B-A3B 模型卡：包含部署和推理示例的官方 Hugging Face 页面。

• AgentWorldBench 数据集：用于模型评估的官方基准数据集。

• SGLang 文档：使用 SGLang 提供 LLM 服务的文档。

• vLLM 文档：关于高吞吐量 LLM 推理和 OpenAI 兼容服务的文档。

• LLaMA-Factory：用于 LLM 微调和部署实验的热门开源框架。