언어 에이전트(Language agents)에게 세계 모델(World models)을 장착하면 환경의 역학(Environment dynamics)을 예측하고 실행 전 후보 행동들을 평가할 수 있게 됩니다. 그러나 기존의 텍스트 기반 세계 모델은 일반적으로 학습 후 고정되어 있어, 진화하는 에이전트에 의해 유도되는 온폴리시(On-policy) 상태-행동 분포에 적응하지 못합니다. 한편, 에이전트 개선 방법론들은 종종 외부 보상(External rewards)이나 검증기(Verifiers)에 의존하며, 이는 실제적인 상호작용 환경에서의 적용성을 제한합니다. 본 논문에서는 폐쇄 루프 상호작용(Closed-loop interaction)을 통해 텍스트 세계 모델과 에이전트 정책을 공동 진화(Co-evolves)시키는 새로운 프레임워크인 COMAP을 제안합니다. 각 결정 단계(Decision step)에서 세계 모델은 후보 행동에 대한 미래 상태 피드백(Future state feedback)을 예측하며, 에이전트는 이 피드백의 신뢰도를 추정하고 그에 따라 행동을 개선함으로써 미래를 인지하는 성찰(Future-aware reflection)을 수행합니다. 결과적으로 생성된 온폴리시 궤적(On-policy trajectories)은 자기 증류(Self-distillation)를 통해 세계 모델을 업데이트하는 데 사용되며, 이를 통해 세계 모델이 에이전트의 진화하는 상호작용 분포에 더 잘 부합하도록 합니다. Embodied task planning, Web navigation, 그리고 도구 사용(Tool-use) 벤치마크 전반에 걸쳐 COMAP은 경쟁력 있는 베이스라인(Baselines)들을 지속적으로 능가하였으며, 예를 들어 Qwen3-4B를 사용했을 때 상대적으로 16.75%의 개선을 보였습니다. 추가 분석 결과, 공동 진화 루프(Co-evolutionary loop)는 시간이 지남에 따라 세계 모델의 예측 정확도를 향상시키고 더욱 효과적인 장기 의사결정(Long-horizon decision-making)으로 이어진다는 것을 보여줍니다. 저희의 코드는 다음에서 확인할 수 있습니다: https://github.com/loyiv/CoMAP.