上海AI Lab、浙大、NUS团队：世界模型，何去何从？|轨迹|lab|上海市|agent_网易订阅

人工智能（AI）行业一直在讨比如的上海世界b上世界模型（world model），下一步会走向何处？团队在主流范式中，世界模型常见根据目前状态和动作预测下一状态。模型从 Sora 引发“世界模拟器”讨比如，何去何从海市再到 Genie 3 实时生成可交互世界，轨迹讨比如的易订阅题仍然是如何把未来预测得更准、更逼真。上海世界b上如今，团队上海 AI Lab 、模型浙江大学和新加坡国立大学（NUS）团队，何去何从海市提出了一个「以 Agent 为中心」的轨迹世界模型新范式：世界建模的未来，是易订阅从预测世界转向服务 Agent。他们提出了以 Agent 为中心的上海世界b上交互式世界代理（World Proxy），在 Agent 与真实环境之间给予低成本、团队可控反馈，模型协助 Agent 的规划、学习和持续自我改进。比如文链接：https://arxiv.org/abs/2608.02713项目页面：https://worldbench.github.io/awesome-agentic-world-model详详见细而言，世界代理位于 Agent 与真实环境之间，根据 Agent 发起的查询、动作或干预，返回实施结荚、经验/技能、奖励或验明正身信号，并在推理、训练和共同演化三个层级协助 Agent 自我改进。图｜以 Agent 为中心的世界代理的概念转向与设方式空间。探究团队表示，这项工作旨在建立以 Agent 为中心的新范式，为 Agent 更好规划、更快学习给予路线图。世界模型，关键以 Agent 为中心持续改进的 Agent 需超越静态监督，通过动态交互获得反馈。而真实环境交互成本高、错误操作难以回滚、反馈滞后，也难以大规模并行化。传统世界模型常见以未来物理状态预测为题，但对需可操作反馈的 Agent 而言，其建模范围仍然有限。在这项工作中，世界代理位于 Agent 与真实环境之间，在 Agent 提交真实动作前预测、检索或验明正身相关反馈，让 Agent 能够以更低成本获得可用于决策和改进的材料。详详见细而言，一个以 Agent 为中心的世界代理，需顺应三个需：1.协助 Agent 主动发起查询、动作或干预，并形成闭环；2.基于真实环境的数据、条件、轨迹或交互证据学习，保持环境锚定；3.以可操作的材料增益为目的，为规划、决策、探索和训练给予有效反馈，而不仅追求视觉真实感或状态预测准确率。详详见细步骤如下：1.发起交互： Agent 根据目前目的与上下文，主动提出查询、动作或干预。2.预测材料转移： 世界代理在目前材料状态与交互需下，预测或生成反馈。3.返回反馈： 反馈作为材料增益回到 Agent ，例如未来状态、预测观察、实施结荚、检索到的指导或验明正身结比如。4.用于改进： Agent 将反馈用于规划、决策、对策学习或持续改进。图｜从世界模型到世界代理。单次运行时，世界代理只返回一次预测、检索或验明正身反馈。在多步往往代中，它的反馈会持续意义 Agent 之后的查询、动作与对策更新，并形成改进轨迹。一个好的世界代理，需给予环境锚定、可控、实用、可扩展且具有前瞻性的反馈。世界代理，如何改进 Agent世界代理对 Agent 的赋能，可以按介入改发展骤的深度分为三个层级。它既可以在推理时补充上下文，也可以在训练时生成改进信号，还可以与 Agent 一起随真实环境反馈持续更新。详详见细机制如下：图｜用于 Agent 改进的 L1 至 L3 世界代理。L1 推理时引导（Inference-Time Guidance）：最轻的一层介入。世界代理不改动 Agent 参数，只在推理时期给予记忆/技能检索、实施模拟或验明正身反馈，并将其并入目前上下文。步骤上，Agent 发起查询，世界代理返回引导结荚，Agent 再据此决策。这一层成本低、可回滚，但上限受限于 Agent 已有能力。它的好处是让 Agent 在目前回合内看得更多、推理更准、动作更稳。图｜L1 通过世界代理开展推理时引导。L2 训练时改进（Training-Time Optimization）：这一层中，世界代理的功能从目前决策延伸到对策训练。它会处理 Agent 的 rollout，如为轨迹打分、指出失败因素、生成合成轨迹或偏好对，也可以根据失败模式生成新的训练任务。这些信号随后被用于 SFT、DPO、PPO 或 GRPO 等训练，让 Agent 自己的交互流程成为改进对策的燃料。图｜L2 由世界代理驱动的训练时改进。L3 Agent-代理共同演化（Agent-Proxy Co-Evolution）：这是介入最深的一层。真实轨迹、失败案例和新发现会持续回流到世界代理中，使其随环境和任务更新；更新后的世界代理再反过来引导、验明正身和训练 Agent。这样，Agent 与世界代理在闭环中持续互相更新，共同提高。图｜L3 Agent 与世界代理共同演化。除了 L1-L3 的介入层级，世界代理还可以按所建模的材料转移类型分类为六种功能形态。不一样形态返回不一样反馈，在实际采取中也常被组合采取。图｜以 Agent 为中心的世界代理的功能形态。动力学形态：关注动作后的环境变化，最接近经典世界模型。它接收目前状态、历史观察和 Agent 动作，预测未来状态，必需时也可预测奖励。空间形态：关注从另一个视角会观察到什么。Agent 查询新的位置、相机位姿或视角，世界代理返回相应的观察或空间表征，让 Agent 在移动前先看一眼。实施形态：关注数字环境会返回什么。它模拟代码、命令、网页点击、API 或工具调用后的状态变化，以及 stdout、stderr、错误材料、测试结荚或页面变化。记忆/经验形态：关注目前决策所需的历史经验、失败案例或约束。它从过往交互、轨迹和失败中检索相关材料，并将这些经验反馈给规划流程。技能形态：关注目前任务可以采取什么技能。它根据目的、上下文和环境状态，提议可复用技能、工具采取步骤或动作先验。奖励/验明正身形态：关注表现是否正确、安全、可行，以及应当如何改进。它评估 Agent 的表现、轨迹、答案或方式划，输出奖励、批评、偏好或验明正身结比如。不足和未来方向然而，尽管世界代理能够减小真实环境中的交互成本，但目前仍存在以下不足：先，它反馈的逼真度和首先期可靠性有限。生成结荚可能看似合理，却违反实际动力学规律，错误还会在首先轨迹中不断往往积。未来需关注首先轨迹预测、误差传播和不选定性校准，而不仅是生成更逼真的结荚。第二，Agent 仍难以判断何时应该信任代理，何时需返回真实环境验明正身。过度依赖世界代理，可能导致难以按时发现的错误。未来需强化置信度评估、风险感知和真实环境回退机制。同时，当世界代理被用作奖励模型或验明正身器时，Agent 可能利用其判断盲点，产生奖励 hacking 和安全风险。之后探究需提高世界代理的鲁棒性，并引入对抗测试、独立验明正身和权限控制。最后，材料增益仍缺乏统一的评估原则。现有基准更多关注真实感、可控性、预测准确率或人类偏好，却频仍将世界代理与 Agent 分开评估。未来，仍需建立以 Agent 为中心的评测体系，研究世界代理反馈是否真正协助 Agent 规划、学习和持续改进。作者：夏千斯如需转载或投稿，请直接在本文章评比如区内留言

(责任编辑：焦点)