paper: https://t.co/jFrWGGX9wq

论文页面 - Qwen-AgentWorld: 面向通用智能体的语言世界模型

来源：https://huggingface.co/papers/2606.24597 非常好的论文，但看完后我有一些抱怨。我把这些告诉了Qwen3.7，以下是它自己的结论：

胡说指数：4.5 / 10——研究真实，表述过于乐观。

问题1：50–60%的保真度对于干净的强化学习信号来说太低

辩护方：这些都是困难的分布外任务。能超越前沿模型本身就是进步，下游智能体的收益也证明了模拟器的有用性。

为什么不够：强化学习会放大分布偏移。在50%保真度下，智能体学到的不是真实的环境动态——而是学会了利用模拟器的幻觉模式。他们从未测量智能体学到了什么错误的东西，只看最终的基准分数。

问题2：他们构建了自己被评估所用的基准

辩护方：AgentWorldBench 基于前沿模型在已建立的外部基准上的真实交互。真实答案来自真实环境。

为什么不够：他们仍然控制评分标准的设计、评分维度和评判提示。即使有真实答案，评分标准的选择会默默偏向他们模型被训练去表现的行为。没有独立的复现验证。

问题3：没有消融实验将模拟器保真度与下游智能体收益关联起来

辩护方：实证结果不言自明——用世界语言模型训练的智能体优于仅用真实环境训练的智能体。机理无需完全分离。

为什么不够：没有保真度-性能曲线，你无法判断收益是来自世界模型本身、来自额外的训练计算量、还是来自任何数据增强策略都能产生的受控/对抗性轨迹。核心声明在现有呈现方式下不可证伪。

问题4：成本论点含糊其辞

辩护方：目标不是降低成本——而是可控性以及进入真实执行不可行的环境。

为什么不够：每次环境步骤运行397B参数且使用长思维链，其成本远高于真实的Docker容器。’真实环境不可行’的用例确实存在但很狭窄。对于他们测试的大多数领域——终端、网页、SWE——真实环境可访问且便宜得多。没有提供实际的成本比较。

问题5：GUI领域回避了最难的部分

辩护方：将GUI状态表示为无障碍树是一个有原则的选择，使问题在语言模型内可控。

为什么不够：真实的GUI智能体面对像素级渲染bug、动态动画以及无障碍树无法捕捉的状态。声称’模拟’Android和Web，却在经过清理的树表示上操作，这回避了问题的核心混乱，很可能夸大了这些领域的保真度分数。

我想向Qwen团队提的问题

1. 保真度与下游性能之间的曲线是什么样的？在什么模拟器准确度下，强化学习的收益会消失？
2. 你是否测量过智能体从模拟器学到错误的东西——那些在模拟中得分高但在真实环境中失败的行为？
3. 模拟器的错误是随机的还是结构化的？一个有一致偏差的模拟器仍有用途。一个任意幻觉的模拟器对于强化学习就只是噪声。
4. 在RL规模下，每个模拟步骤的实际成本与真实容器化环境相比如何？
5. AgentWorldBench能否由外部团队仅使用你发布的评分标准复现，而不使用你内部的评判提示？
6. 对于智能体热身阶段的收益——你是否与一个基线进行了比较？该基线使用相同的轨迹进行普通的下一个词预测训练，而没有世界模型目标。这个框架真的起了作用，还是仅仅是更多数据？