概要
Alibaba Qwenチームは2026年6月24日、AIエージェント向けの言語世界モデル（Language World Model）「Qwen-AgentWorld」をオープンソースで公開した。世界モデルとは「現在の観測と行動をもとに環境のダイナミクスを予測するモデル」であり、Qwen-AgentWorldはテキストベース環境（MCP・Search・Terminal・SWE）とGUIベース環境（Web・OS・Android）の計7ドメインを単一モデルで統合的にシミュレートする。新たに設計した評価基準「AgentWorldBench」では、形式・事実性・一貫性・現実性・品質の5次元で測定した結果、大規模モデル（397B-A17B）がスコア58.71を記録し、GPT-5.4（58.25）やClaude Opus 4.8を上回った。35Bスケールのモデルはベースラインから+8.66ポイント向上し、Claude Sonnet 4.6も超えている。
技術的な詳細
Qwen-AgentWorldの学習は3段階のパイプラインで構成される。まず継続事前訓練（CPT）ステージで、実環境から収集した1,000万件以上のインタラクション軌跡を使い、一般的な環境知識をモデルに注入する。次に教師あり微調整（SFT）ステージで、次状態予測の推論能力を明示的に活性化する。最後に強化学習（RL）ステージで、ハイブリッド報酬フレームワークを通じてシミュレーションの忠実度を高める。また「ターンレベル情報理論的ロスマスキング」という手法により、環境情報を含む重要なターンのみを学習対象に絞ることで、効率的な訓練を実現している。公開モデルはQwen-AgentWorld-35B-A3BとQwen-AgentWorld-397B-A17Bの2種類で、256Kトークンのコンテキストウィンドウを持ち、HuggingFaceおよびModelScopeで入手できる。SGLangとvLLMによるデプロイにも対応している。
2つの応用パラダイム
Qwen-AgentWorldは、エージェントの能力強化に向けて2つの異なる活用方法を提示している。
1つ目は**Sim RL（デカップルドシミュレーション）**で、実環境とは切り離した制御可能なシミュレーション環境でエージェントを訓練するアプローチだ。MCPMarkで+12.3、WideSearchで+16.3の性能向上が確認されており、実環境訓練のみのエージェントを上回るF1スコアを達成している。
2つ目はエージェント基盤モデルとしての利用で、単一ターンの非エージェントタスクから7ベンチマークにわたる複数ターンのエージェントタスクへの転移学習を可能にする。ドメイン外データでも+11.3、+9.7、+9.0といったスコアゲインが得られており、エージェントとして直接訓練していないにもかかわらず幅広いエージェントタスクで性能が向上するという点が注目される。
背景と意義
従来のAIエージェントは実環境でのトレーニングに依存するため、安全性・コスト・再現性の面で課題があった。言語世界モデルという概念は、環境そのものをモデルに内包させることでこの問題を回避するアプローチであり、ロボティクスや強化学習の分野では既に注目されていた。Qwen-AgentWorldはこれをテキスト・GUI双方の実用的なエージェントドメインに拡張し、オープンソースで提供した点で意義が大きい。また研究チームはAgentWorldBenchという新たなベンチマーク体系も同時に整備しており、世界モデル研究のインフラとしてコミュニティに貢献する構えを示している。