ตามการติดตามของ Beating ห้องปฏิบัติการ Tongyi ได้เปิดเผยโมเดลโลกภาษาดั้งเดิม Qwen-AgentWorld ซึ่งเป็นโอเพนซอร์ส โมเดลดังกล่าวกำหนดให้การสร้างแบบจำลองสภาพแวดล้อมเป็นเป้าหมายการฝึกอบรมเป็นครั้งแรก โดยฝึก AI ให้คาดการณ์การตอบสนองขั้นต่อไปของสภาพแวดล้อม สร้างพื้นที่เสมือนจริงที่คล้ายกับเครื่องจำลองการบินสำหรับเอเจนต์ AI (Agent) การจำลองเสมือนช่วยหลีกเลี่ยงต้นทุนสูงและความเสี่ยงด้านความปลอดภัยจากการลองผิดลองถูกของเอเจนต์ในสภาพแวดล้อมจริงหรือแซนด์บ็อกซ์เครือข่าย
Qwen-AgentWorld ครอบคลุมทั้งข้อความและอินเทอร์เฟซกราฟิกในเจ็ดสาขาหลัก สำหรับสภาพแวดล้อมกราฟิก เช่น Web, OS และ Android โมเดลจะไม่สร้างเฟรมวิดีโอ แต่จะแปลงการสังเกตเป็นโค้ดข้อความ เช่น HTML และ XML ต้นไม้การช่วยเหลือ (Accessibility Tree) เพื่อให้การจำลองเชิงตรรกะมีความรวดเร็วและแม่นยำเป็นพิเศษ บนเกณฑ์มาตรฐานการประเมินแบบครอบคลุม AgentWorldBench Qwen-AgentWorld-397B-A17B ได้คะแนนเฉลี่ยโดยรวมสูงสุด (58.71) แซงหน้า GPT-5.4, Claude Opus 4.8 และ Gemini 3.1 Pro
โมเดลแสดงให้เห็นถึงคุณค่าการประยุกต์ใช้สองประการในการฝึกอบรมเอเจนต์ ประการแรก ในฐานะเครื่องจำลองสภาพแวดล้อมแบบแยกส่วน โมเดลสามารถจำลองสภาพแวดล้อมเสมือนจริงหลายพันแห่งที่ไม่เคยเกี่ยวข้องโดยไม่มีต้นทุน และในการทำงาน WideSearch สามารถเทียบเคียงหรือเหนือกว่าผลการฝึกอบรมของเครื่องมือค้นหาจริง ประการที่สอง ความสามารถในการคาดการณ์สามารถถูกทำให้เป็นรูปแบบการอนุมานเชิงอภิปรัชญาของเอเจนต์ ทำให้โมเดลเดียวกันสามารถจำลองการตอบสนองของสภาพแวดล้อมก่อนการดำเนินการ และเกิดการปรับปรุงอย่างมีนัยสำคัญในสาขาที่ไม่เคยเกี่ยวข้องมาก่อน (Claw-Eval เพิ่มขึ้น +11.3, การเรียกฟังก์ชัน BFCL v4 เพิ่มขึ้น +9.0) โมเดล เกณฑ์มาตรฐาน และโค้ดที่เกี่ยวข้องทั้งหมดได้รับการเปิดเผยเป็นโอเพนซอร์สแล้ว
