Qwen-AgentWorld؛ مدلی که دنیای ایجنتها رو شبیهسازی میکنه
هوش مصنوعیClaude Opus 4.8خلاصهٔ کاملتر
تو این مقاله که آزمایشگاه Qwen (زیرمجموعهٔ علیبابا) منتشر کرده، ایدهٔ اصلی «مدل جهانی» یا world model هست: مدلی که با دیدن وضعیت فعلی و کاری که قراره انجام بشه، پیشبینی میکنه محیط بعدش چهجوری تغییر میکنه. نویسندهها میگن همین توانایی، هستهٔ اصلیِ استدلال و برنامهریزی برای یه ایجنت هوشمنده و میخوان نشون بدن ساختن این مدلها روی پایهٔ مدلهای زبانی میتونه ایجنتهای عمومی رو یه پله جلوتر ببره.
محصول اصلی دو مدله: Qwen-AgentWorld-35B-A3B و نسخهٔ بزرگترش Qwen-AgentWorld-397B-A17B. به گفتهٔ نویسندهها اینها اولین مدلهای جهانیِ زبانیان که میتونن محیطهای ایجنتی رو تو ۷ حوزهٔ مختلف با استدلال زنجیرهایِ طولانی (long chain-of-thought) شبیهسازی کنن. یعنی بهجای اینکه فقط یه جواب بدن، قدمبهقدم فکر میکنن که بعد از هر کنش، حالت بعدیِ محیط چی میشه.
روش آموزش سه مرحله داره و پایهش بیش از ۱۰ میلیون مسیرِ تعامل واقعی تو همون ۷ حوزهست. اول مرحلهٔ CPT توانایی عمومیِ مدلسازیِ جهان رو با دادن دیتای گذارِ حالت و متنهای تخصصی به مدل تزریق میکنه، بعد SFT مدل رو برای پیشبینیِ حالت بعدی فعال میکنه، و آخر سر RL با یه چارچوب پاداشِ ترکیبی (قاعدهمحور و معیارمحور) دقتِ شبیهسازی رو تیزتر میکنه.
برای سنجش این مدلها، تیم یه بنچمارک بهاسم AgentWorldBench هم ساخته که از تعاملِ واقعیِ ۵ مدل پیشرو روی ۹ بنچمارکِ شناختهشده جمع شده. نتیجهها به گفتهٔ مقاله نشون میده Qwen-AgentWorld با فاصلهٔ معنادار از مدلهای پیشروی فعلی جلو میزنه.
نویسندهها دو کاربردِ مکمل هم بررسی کردن. اول اینکه مدل رو مثل یه شبیهسازِ محیطِ جدا استفاده کنی؛ اینطوری میشه هزاران محیط واقعی رو مقیاسپذیر و کنترلشده برای آموزشِ تقویتی (RL) ایجنت شبیهسازی کرد، و جالبه که نتیجهش حتی از آموزش تو محیط واقعیِ تنها هم بهتر بوده. دوم اینکه خودِ آموزشِ مدل جهانی مثل یه گرمکردنِ خیلی مؤثر عمل میکنه و عملکرد نهایی رو روی ۷ بنچمارک ایجنتی بالا میبره.
کد این پروژه روی GitHub منتشر شده. جمعبندیِ نویسندهها اینه که مدلسازیِ جهان با مدلهای زبانی، هم بهعنوان شبیهساز و هم بهعنوان پایهٔ آموزش، میتونه یه مسیر عملی برای قویتر کردنِ ایجنتهای عمومی باشه.
نکات کلیدی:
- Qwen-AgentWorld دو مدل جهانیِ زبانیه که محیط ایجنتها رو تو ۷ حوزه شبیهسازی میکنه
- آموزشِ سهمرحلهای CPT، SFT و RL روی بیش از ۱۰ میلیون مسیرِ تعامل واقعی
- بنچمارک AgentWorldBench برای سنجش مدلهای جهانیِ زبانی ساخته شده
- بهعنوان شبیهسازِ محیط، آموزش ایجنت رو از تمرین تو دنیای واقعی هم جلو انداخته
- کدش روی GitHub در دسترسه
