Qwenチームは2026年6月23日、エージェントが動作する環境そのものを言語モデルで模擬する「言語世界モデル」のQwen-AgentWorldを公開しました。ターミナルや検索、Webなど7種類のエージェント環境を単一モデルでシミュレートできる点が特徴で、評価ベンチマークAgentWorldBenchも同時に公開されています。397B-A17B版は同ベンチマークで総合58.71を記録し、GPT-5.4やClaude Opus 4.8、Gemini 3.1 Proといったフロンティアモデルを上回ったとしています。

Qwen-AgentWorldの概要

• ▸ネイティブな世界モデリング — 汎用LLMへの後付けの適応ではなく、継続事前学習(CPT)の段階から環境モデリング自体を学習目標として訓練
• ▸7ドメインを単一モデルで — テキスト系(MCP・検索・ターミナル・SWE)とGUI系(Web・OS・Android)の環境を1つのモデルで模擬し、ドメイン間で知識が転移
• ▸ベンチマークも同時公開 — 実環境から得た正解の観測とペアになった7ドメイン評価ベンチマークAgentWorldBenchをHugging FaceとModelScopeで公開

言語エージェントは対話的な環境で行動するよう訓練されてきましたが、「現在の状態とエージェントの行動から次に何が起きるか」という環境そのものの予測を明示的に学習した言語モデルはこれまでなかったとQwenチームは指摘しています。GUI系の3ドメインでは、環境の観測をピクセル画像ではなくアクセシビリティツリーXMLやHTMLなどのレンダリング可能なコードとして表現し、視覚的な環境をテキストのみで世界モデリングできるようにしています。

3段階の学習パイプライン

• ▸CPT(継続事前学習) — 1,000万件超の実環境インタラクション軌跡と、産業制御・サイバーセキュリティ・法律・医療・金融・時事などの専門知識コーパスで環境知識を注入。ターンレベルの情報理論的な損失マスキングが特徴
• ▸SFT(教師ありファインチューニング) — thinkブロックによる次状態予測の思考パターンを活性化。リジェクションサンプリングで選別した7,094件の学習サンプルを使用
• ▸RL(強化学習) — GSPOを用い、ルーブリックに基づくLLM判定と、正しさを機械的に検証できるドメイン向けのルールベース検証器を組み合わせたハイブリッド報酬でシミュレーション品質を強化

AgentWorldBenchでの性能

• ▸評価方法 — 9つの既存ベンチマーク上での5つのフロンティアモデルの軌跡から構築し、全サンプルに実環境実行による正解の観測をペア付け。形式・事実性・一貫性・リアリズム・品質の5次元でルーブリック評価
• ▸Qwen-AgentWorld-397B-A17B — 総合58.71で最高スコアを達成し、GPT-5.4(58.25)、Claude Opus 4.8、Gemini 3.1 Proを上回る。優位はターミナルとSWEで特に顕著
• ▸Qwen-AgentWorld-35B-A3B — 3段階パイプラインにより総合47.73から56.39へ8.66ポイント向上し、Claude Sonnet 4.6(56.04)を上回る

エージェント強化への2つの応用

• ▸分離型シミュレータ(Sim RL) — 実環境の代わりに世界モデル上でエージェントを強化学習。訓練に含まれないOpenClaw環境4,000件をゼロショットで模擬し、Claw-Evalで+4.3、QwenClawBenchで+7.1の向上
• ▸制御可能なシミュレーション — 断続的なAPIエラーやページネーションなどの摂動を自然言語指示で注入でき、MCPMarkで+12.3、WideSearchで+16.3と無制御のSim RLを大幅に上回る
• ▸実環境RL超え — WideSearchでは実際の検索エンジンを使うReal RL(F1 45.6%)を制御付きSim RL(50.3%)が上回り、完全に架空の世界での訓練でも実際の検索タスクへ汎化
• ▸統合基盤モデル — 世界モデル訓練によるウォームアップだけで、エージェントタスクの追加RLなしに7つのマルチターンベンチマークへ転移。訓練対象外のドメインでもClaw-Eval +11.3、BFCL v4 +9.0などの向上

公開とデプロイ

総パラメータ35B(アクティブ3B)のMoE構成で256Kコンテキストに対応するQwen-AgentWorld-35B-A3BがHugging FaceとModelScopeでオープンソース公開されており、SGLang・vLLM・Transformersで利用できます。AgentWorldBenchもドメイン別のJSONLファイルとして公開され、推論・LLM判定・集計の3ステップからなる評価パイプラインが提供されています。研究の詳細はarXiv論文(arXiv:2606.24597)として公開されています。