📣📣 Qwen-AgentWorld를 소개합니다 — 단일 모델 내에서 7가지 에이전트 환경(MCP, Search, Terminal, SWE, Web, OS, Android)을 시뮬레이션하는 네이티브 언어 월드 모델 (native language world model)입니다. 환경 모델링 (Environment modeling)은 사후 적응 (post-hoc adaptation)이 아니라, 첫날부터 설정된 훈련 목표 (training objective)입니다.

🤔 LLM (Large Language Models)은 더 나은 에이전트, 즉 환경 내에서 더 잘 행동하도록 훈련됩니다. 하지만 그 환경 자체를 모델링하도록 훈련된 모델은 아직 없습니다.

🗺️ 우리의 로드맵: 언어 월드 모델링 (language world modeling)이 두 가지 경로를 통해 일반 에이전트 능력의 한계를 어떻게 확장할 수 있는지 조사합니다:

1️⃣ 환경 시뮬레이션을 위한 파운데이션 모델 (foundation model) 구축 — AgentWorldBench에서 Claude Opus 4.8 및 GPT-5.4를 능가함

2️⃣ 월드 모델링이 에이전트 훈련을 어떻게 강화하는지 조사:
🔬 제어 가능한 Sim RL (LWM을 환경으로 사용하는 에이전트 기반 RL)은 실제 환경에서의 훈련을 능가합니다.
🧠 환경을 예측하는 법을 학습 (LWM warm-up)하면 에이전트가 더 강력해집니다 — 놀랍게도, 에이전트 특화 훈련 없이도 이러한 예측 지식은 제로 파인튜닝 (zero fine-tuning) 상태에서 에이전트 작업으로 전이됩니다.

📑 논문 (Paper): https://t.co/Jx2l5RKq71
📖 블로그 (Blog): https://t.co/7tVcKyhsx2
💻 GitHub: https://t.co/B5Lvb1UZCn
🤗 HuggingFace: https://t.co/Kw3QBL1TM5
🧩 ModelScope: https://t.co/YBnGYgMWWI