Qwen-AgentWorld: Το Ανοιχτό AI που Προσομοιώνει Περιβάλλοντα για Έξυπνους Agents

Τι Είναι το Qwen-AgentWorld;

Η πλειονότητα της έρευνας στους AI agents επικεντρώνεται στο να τους κάνει πιο έξυπνους στο να επιλέγουν ενέργειες. Το Qwen-AgentWorld αντιστρέφει το πρόβλημα: αντί να παράγει απαντήσεις, μαθαίνει να προσομοιώνει ολόκληρα περιβάλλοντα και να προβλέπει τι θα συμβεί αφού ένας agent εκτελέσει μια ενέργεια. Αν ένας agent εκτελέσει εντολή shell, κάνει κλικ σε κουμπί ή καλέσει ένα API, το Qwen-AgentWorld προβλέπει τι θα επιστρέψει το περιβάλλον — λειτουργώντας ουσιαστικά ως εικονικός κόσμος για εξάσκηση και συλλογισμό.

Βασικά Τεχνικά Χαρακτηριστικά

• Μοντέλο: Qwen-AgentWorld-35B-A3B (35B συνολικές παράμετροι, 3B ενεργές μέσω Mixture-of-Experts) και μια μεγαλύτερη παραλλαγή 397B-A17B, βασισμένες στο Qwen3.5.

• Αρχιτεκτονική: Υβριδική δομή Gated DeltaNet + Gated Attention + MoE, με παράθυρο περιεχομένου 262.144 tokens — απαραίτητο για μακροχρόνιες, πολύ-γύρες agent συνεδρίες.

• Άδεια χρήσης: Apache 2.0 (πλήρως ανοιχτό βάρος).

• Ημερομηνία κυκλοφορίας: 24 Ιουνίου 2026, μαζί με την επιστημονική εργασία arXiv 2606.24597 και τα βάρη του μοντέλου στο GitHub.

Επτά Ενοποιημένοι Τομείς

Το Qwen-AgentWorld είναι το πρώτο Language World Model που καλύπτει επτά τομείς αλληλεπίδρασης agents σε ένα και μόνο μοντέλο: MCP (κλήσεις εργαλείων), Αναζήτηση, Terminal, SWE (ανάπτυξη λογισμικού), Android, Web και OS. Προηγούμενες προσεγγίσεις απαιτούσαν ξεχωριστούς προσομοιωτές ανά τομέα.

Πώς Εκπαιδεύτηκε

Το μοντέλο εκπαιδεύτηκε σε περισσότερες από 10 εκατομμύρια διαδρομές πραγματικής αλληλεπίδρασης με περιβάλλοντα, σε τρία στάδια: CPT (Continual Pre-Training) που εισάγει γνώσεις για τη δυναμική περιβάλλοντος, SFT (Supervised Fine-Tuning) που ενεργοποιεί τη λογική πρόβλεψης επόμενης κατάστασης, και RL (Reinforcement Learning) που βελτιώνει την πιστότητα της προσομοίωσης. Το καίριο στοιχείο: η μοντελοποίηση περιβάλλοντος είναι ο στόχος εκπαίδευσης από το πρώτο στάδιο — δεν είναι μεταγενέστερη προσαρμογή.

Απόδοση

Το μοντέλο αξιολογήθηκε στο AgentWorldBench, ένα νέο benchmark φτιαγμένο από πραγματικές αλληλεπιδράσεις πέντε frontier μοντέλων σε εννέα καθιερωμένα agentic benchmarks. Κύρια αποτελέσματα:

• Qwen-AgentWorld-35B-A3B: Συνολική βαθμολογία 56,39 — εφάμιλλη του Claude Sonnet 4.6 (56,04) και πλησιάζει το Claude Opus 4.6 (57,80), παρά τις πολύ μικρότερες διαστάσεις του.

• Qwen-AgentWorld-397B-A17B: Συνολική βαθμολογία 58,71, υπερτερώντας του GPT-5.4 (58,25) και όλων των frontier μοντέλων.

• Το μοντέλο 35B διαπρέπει ιδιαίτερα στους τομείς Search (36,69) και SWE (65,63).

Δύο Βασικές Χρήσεις

1. Αυτόνομος Προσομοιωτής Περιβάλλοντος: Επιτρέπει κλιμακούμενη και ελεγχόμενη προσομοίωση χιλιάδων πραγματικών περιβαλλόντων για agentic RL, με αποτελέσματα που ξεπερνούν την εκπαίδευση σε πραγματικά περιβάλλοντα.

2. Θεμελιώδες Μοντέλο για Agents: Η εκπαίδευση ως world model λειτουργεί ως αποτελεσματική "προθέρμανση" που βελτιώνει την απόδοση σε 7 agentic benchmarks.

Γιατί Έχει Σημασία το Ανοιχτό Μοντέλο

Η εκπαίδευση πραγματικών AI agents είναι ακριβή, εύθραυστη και δύσκολα κλιμακούμενη. Η εκτέλεση χιλιάδων browser instances, containers και εικονικών μηχανών έχει τεράστιο κόστος. Δεν μπορεί κανείς εύκολα να αναπαράγει σπάνια σενάρια ή ακραίες περιπτώσεις κατά παραγγελία. Ορισμένα περιβάλλοντα περιέχουν μη αναστρέψιμες ενέργειες ή ευαίσθητα δεδομένα. Ένα ελεύθερο, ανοιχτό world model αντιμετωπίζει όλα αυτά τα προβλήματα.

Γιατί Αυτό Είναι Σημαντικό

Το Qwen-AgentWorld αναδεικνύει ένα πρόβλημα που κάθε σοβαρή ομάδα AI αντιμετωπίζει: οι agents δεν χρειάζονται μόνο καλύτερα μοντέλα συλλογισμού — χρειάζονται καλύτερα περιβάλλοντα εκπαίδευσης. Κυκλοφορώντας ένα native, ανοιχτό Language World Model που καλύπτει επτά τομείς υπό την ελεύθερη άδεια Apache 2.0, η Alibaba/Qwen κάνει μια προηγουμένως ακαδημαϊκή έννοια πρακτικά προσβάσιμη σε κάθε developer. Αυτό θα μπορούσε να μειώσει δραματικά το κόστος εκπαίδευσης ικανών AI agents, να επιταχύνει την έρευνα agentic RL, και να στρέψει το ενδιαφέρον του τομέα στη μοντελοποίηση περιβάλλοντος ως πρώτης τάξεως ζήτημα — και όχι ως μεταγενέστερη σκέψη. Αν το 2025 ήταν η χρονιά των coding agents, το 2026 γίνεται η χρονιά των περιβαλλόντων τους.

Πηγή εδώ