在最新一轮 AgentWorldBench 评测中一个仅激活 30 亿参数的模型悄悄反超了 Claude Sonnet 4.6——这就是阿里巴巴通义千问团队刚刚推出的「Qwen-AgentWorld-35B-A3B」。随着大语言模型LLM不断向智能体Agent方向演进AI 的应用场景正从单纯的文本生成扩展到调用工具、操作终端、开发软件、浏览网页等更复杂的环境交互。主流大语言模型虽然在知识问答、内容生成方面能力很强一旦进入动态交互环境却缺少对状态变化的原生理解——只能「根据已有信息作答」却无法预测「下一步会发生什么」。世界模型World Model 由此成为通用智能体的关键方向通过学习环境运行规律为智能体的规划、决策、行动提供依据。但现有方案大多是在成熟 LLM 上「后加」一层环境模拟能力而非从训练之初就以环境建模为核心目标这也限制了它们在复杂交互场景下的泛化能力。Qwen-AgentWorld-35B-A3B 正是针对这一痛点给出的答案。它并非传统对话型大模型而是从预训练CPT阶段起就把「环境建模」设为核心训练目标基于 Qwen3.5-35B-A3B-Base 构建以智能体的行为与交互历史为输入通过长链思维推理预测下一个环境状态从而模拟终端操作、搜索、工具调用等多种交互过程。它的核心优势在于统一的跨领域建模能力同一个模型覆盖 MCP、搜索、终端、SWE、Android、Web、OS 七大领域兼容 TUI 与 GUI 两种交互方式。在推理机制上模型默认开启长链思维模式给出环境预测结果前会先分析各种可能的状态转换。架构层面它采用 Gated DeltaNet 与 Gated Attention 相结合的混合高效架构配合包含 256 个专家的稀疏 MoE 结构350 亿总参数中仅激活约 30 亿兼顾效果与效率同时原生支持长达 262,144 个上下文元素为连续多轮的环境模拟提供了稳定的记忆能力。目前「Qwen-AgentWorld-35B-A3B首个覆盖七大智能体交互域的语言世界模型」已上线至 HyperAIhyper.ai的「教程」板块快点击下方链接一键体验这一面向未来智能体的世界建模吧 ⬇️在线运行https://go.hyper.ai/3q7BZ开源地址https://github.com/QwenLM/Qwen-AgentWorldDemo 示例更多在线教程Notebooks | HyperAIDemo 运行1、进入 hyper.ai 首页后选择「教程」页面或点击「查看更多教程」选择「Qwen-AgentWorld-35B-A3B首个覆盖七大智能体交互域的语言世界模型」点击「运行此教程」。2.页面跳转后点击右上角「Clone」将该教程克隆至自己的容器中。注页面右上角支持切换语言目前提供中文及英文两种语言本教程文章以英文为例进行步骤展示。3.选择「NVIDIA RTX 5090 x 4」以及「vllm」镜像点击「Continue job execution继续执行」。4.等待分配资源当状态变为「Running运行中」后点击「Open Workspace」进入 Jupyter Workspace。效果展示1.页面跳转后点击左侧 README 文件进入后点击上方 Run运行。2.待运行完成根据 README 提示启动 Open WebUI 后即可点击右侧 API 地址跳转至 demo 页面。注由于模型较大启动 vllm 服务约需 30 min。如输出为「等待超时请检查 vllm.log 日志文件」请重新运行此单元格在最新一轮 AgentWorldBench 评测中一个仅激活 30 亿参数的模型悄悄反超了 Claude Sonnet 4.6——这就是阿里巴巴通义千问团队刚刚推出的「Qwen-AgentWorld-35B-A3B」。随着大语言模型LLM不断向智能体Agent方向演进AI 的应用场景正从单纯的文本生成扩展到调用工具、操作终端、开发软件、浏览网页等更复杂的环境交互。主流大语言模型虽然在知识问答、内容生成方面能力很强一旦进入动态交互环境却缺少对状态变化的原生理解——只能「根据已有信息作答」却无法预测「下一步会发生什么」。世界模型World Model 由此成为通用智能体的关键方向通过学习环境运行规律为智能体的规划、决策、行动提供依据。但现有方案大多是在成熟 LLM 上「后加」一层环境模拟能力而非从训练之初就以环境建模为核心目标这也限制了它们在复杂交互场景下的泛化能力。Qwen-AgentWorld-35B-A3B 正是针对这一痛点给出的答案。它并非传统对话型大模型而是从预训练CPT阶段起就把「环境建模」设为核心训练目标基于 Qwen3.5-35B-A3B-Base 构建以智能体的行为与交互历史为输入通过长链思维推理预测下一个环境状态从而模拟终端操作、搜索、工具调用等多种交互过程。它的核心优势在于统一的跨领域建模能力同一个模型覆盖 MCP、搜索、终端、SWE、Android、Web、OS 七大领域兼容 TUI 与 GUI 两种交互方式。在推理机制上模型默认开启长链思维模式给出环境预测结果前会先分析各种可能的状态转换。架构层面它采用 Gated DeltaNet 与 Gated Attention 相结合的混合高效架构配合包含 256 个专家的稀疏 MoE 结构350 亿总参数中仅激活约 30 亿兼顾效果与效率同时原生支持长达 262,144 个上下文元素为连续多轮的环境模拟提供了稳定的记忆能力。目前「Qwen-AgentWorld-35B-A3B首个覆盖七大智能体交互域的语言世界模型」已上线至 HyperAIhyper.ai的「教程」板块快点击下方链接一键体验这一面向未来智能体的世界建模吧 ⬇️在线运行https://go.hyper.ai/3q7BZ开源地址GitHub - QwenLM/Qwen-AgentWorld: Qwen-AgentWorld: Language World Models for General Agents · GitHubDemo 示例更多在线教程Notebooks | HyperAIDemo 运行1、进入 hyper.ai 首页后选择「教程」页面或点击「查看更多教程」选择「Qwen-AgentWorld-35B-A3B首个覆盖七大智能体交互域的语言世界模型」点击「运行此教程」。2.页面跳转后点击右上角「Clone」将该教程克隆至自己的容器中。注页面右上角支持切换语言目前提供中文及英文两种语言本教程文章以英文为例进行步骤展示。3.选择「NVIDIA RTX 5090 x 4」以及「vllm」镜像点击「Continue job execution继续执行」。4.等待分配资源当状态变为「Running运行中」后点击「Open Workspace」进入 Jupyter Workspace。效果展示1.页面跳转后点击左侧 README 文件进入后点击上方 Run运行。2.待运行完成根据 README 提示启动 Open WebUI 后即可点击右侧 API 地址跳转至 demo 页面。注由于模型较大启动 vllm 服务约需 30 min。如输出为「等待超时请检查 vllm.log 日志文件」请重新运行此单元格