월드 모델 (World Model)은 현재의 관찰 (Observations)과 행동 (Actions)을 기반으로 환경의 역학 (Environment Dynamics)을 예측하며, 추론 (Reasoning)과 계획 (Planning)을 위한 핵심적인 인지 메커니즘 역할을 합니다. 본 연구에서는 언어 모델 (Language Models)에 기반한 월드 모델링이 범용 에이전트 (General Agents)의 한계를 어떻게 더 확장할 수 있는지 조사합니다. (i) 먼저, 우리는 에이전트 환경 시뮬레이션을 위한 파운데이션 모델 (Foundation Models) 구축에 집중합니다. 우리는 긴 사고 사슬 (Long Chain-of-Thought) 추론을 통해 7개 도메인을 아우르는 에이전트 환경을 시뮬레이션할 수 있는 최초의 언어 월드 모델인 Qwen-AgentWorld-35B-A3B 및 Qwen-AgentWorld-397B-A17B를 소개합니다. 실제 환경에서의 7개 도메인에 대한 1,000만 개 이상의 환경 상호작용 궤적 (Interaction Trajectories)을 활용하여, 우리는 3단계 훈련 파이프라인을 통해 Qwen-AgentWorld를 개발했습니다: CPT는 상태 전이 역학 (State Transition Dynamics)과 증강된 전문 코퍼스 (Professional Corpora)로부터 범용 월드 모델링 능력을 주입하고, SFT는 다음 상태 예측 (Next-state-prediction) 추론을 활성화하며, RL은 하이브리드 루브릭 및 규칙 보상 (Hybrid Rubric-and-Rule Rewards)을 갖춘 맞춤형 프레임워크를 통해 시뮬레이션 충실도 (Simulation Fidelity)를 정교화합니다. 언어 월드 모델을 평가하기 위해, 우리는 9개의 기존 벤치마크에서 5개의 프런티어 모델 (Frontier Models)의 실제 상호작용을 통해 구축된 종합적인 벤치마크인 AgentWorldBench를 제시합니다. 실증적 결과는 Qwen-AgentWorld가 기존의 프런티어 모델들을 유의미하게 능가함을 보여줍니다. (ii) 파운데이션 모델을 넘어, 우리는 월드 모델링이 범용 에이전트를 강화하는 두 가지 상호 보완적인 패러다임을 추가로 조사합니다. 첫째, 분리된 환경 시뮬레이터 (Decoupled Environment Simulator)로서, Qwen-AgentWorld는 에이전트 RL (Agentic RL)을 위해 수천 개의 실제 환경에 대한 확장 가능하고 제어 가능한 시뮬레이션을 지원하며, 이는 실제 환경 훈련만 수행했을 때보다 더 높은 이득을 가져옵니다. 둘째, 통합된 에이전트 파운데이션 모델 (Unified Agent Foundation Model)로서, 월드 모델 훈련은 7개의 에이전트 벤치마크 전반에서 다운스트림 성능 (Downstream Performance)을 향상시키는 매우 효과적인 웜업 (Warm-up) 역할을 합니다. Code: https://github.com/QwenLM/Qwen-AgentWorld