Alibaba a rendu open source un modèle du monde qui permet aux agents d’IA de s’entraîner dans un simulateur

Dans le laboratoire de recherche Qwen d’Alibaba, un nouveau type de modèle d’IA apprend à répondre à une question d’apparence simple : si un agent fait X, que se passe-t-il ensuite ? La réponse, encodée dans Qwen-AgentWorld, équivaut à un modèle de langage qui agit comme un simulateur d’environnement universel, et il vient de surpasser GPT-5.4 sur son propre benchmark. Votre modèle d'IA prétend lire 1 million de tokens. Il…

Publié sur Hugging Face et ModelScope aux côtés d’une suite d’évaluation associée appelée AgentWorldBench, Qwen-AgentWorld est présenté comme un « modèle du monde natif du langage ». En termes simples, il prend l’action d’un agent (une commande terminale, un appel API, un clic de navigateur) et prédit la réponse de l’environnement : la sortie du terminal, la valeur de retour de l’API, l’arbre DOM mis à jour. Il ne s’agit pas d’une génération basée sur des modèles. Le modèle doit raisonner de manière causale à travers six étapes de connaissance du système pour prédire pourquoi un pipeline curl échoue, ou maintenir l’intégrité référentielle à travers neuf appels séquentiels à l’API Notion. Votre agent IA a réussi le test par hasard. Maintenant,…

L’architecture technique est remarquable. Qwen-AgentWorld existe en deux échelles : un modèle MoE de 35 milliards de paramètres (3 milliards actifs) et une variante de 397 milliards - 17 milliards actifs. Les deux ont été entraînés avec un pipeline en trois étapes que l’article de recherche décrit comme « CPT injecte, SFT active, RL affine ». La première étape est le pré-entraînement continu (CPT), qui injecte des connaissances environnementales à travers des trajectoires sans réflexion issues de bacs à sable conteneurisés, de serveurs MCP et d’émulateurs. Une innovation clé ici est le masquage de perte basé sur la théorie de l’information au niveau du tour : les statistiques de surface par paire action-observation identifient les tours porteurs d’informations environnementales réelles, masquant le reste de la perte tout en les conservant comme contexte. La deuxième étape applique un réglage fin supervisé (SFT) pour activer la prédiction de l’état suivant en tant que schéma de pensée explicite à l’intérieur de blocs <think>, en utilisant un échantillonnage par rejet pour sélectionner 7 094 trajectoires de haute qualité. La troisième étape utilise l’apprentissage par renforcement (spécifiquement GSPO) avec une récompense hybride combinant un juge LLM avec des vérificateurs basés sur des règles pour les domaines où l’exactitude peut être vérifiée par programme. Le MiniMax chinois vient d'open-sourcer un modèle à 1…

Les résultats sur AgentWorldBench sont frappants. Qwen-AgentWorld-397B-A17B a obtenu un score global de 58,71 sur cinq dimensions d’évaluation (format, factualité, cohérence, réalisme, qualité), surpassant les 58,25 de GPT-5.4. À plus petite échelle, le pipeline en trois étapes a fait passer Qwen-AgentWorld-35B-A3B de 47,73 à 56,39, le propulsant devant Claude Sonnet 4.6 (56,04). L’avantage est le plus prononcé dans les domaines Terminal et SWE, où les prédictions nécessitent une modélisation précise de l’état d’exécution du code et du comportement de l’API des outils. Les modèles d'IA ne peuvent pas s'empêcher de penser à…

Au-delà des scores bruts, l’article documente trois schémas de raisonnement émergents dans les 129 traces de pensée analysées du modèle. Il y a l’autocorrection délibérée : le modèle utilise « Attendez ! » comme interrupteur cognitif 1 347 fois en 129 tours. Il y a la prévention des fuites d’informations : un équivalent de la théorie de l’esprit où le modèle détient une réponse de référence et la retient délibérément des requêtes non liées. Il y a le raisonnement causal en plusieurs étapes : enchaînant six étapes de connaissance du système pour prédire une défaillance du pipeline curl. L'horizon de vérification : pourquoi vérifier les…

La signification stratégique ne réside pas dans les résultats du benchmark mais dans le changement de paradigme d’entraînement que représente Qwen-AgentWorld. L’article examine deux cas d’utilisation complémentaires pour la modélisation du monde. Le premier, « Sim RL », traite le modèle du monde comme un simulateur autonome qui remplace les environnements réels pendant l’entraînement RL des agents. Dans des tests sur OpenClaw, une plateforme d’agents open source totalement absente des données d’entraînement du modèle du monde, les agents entraînés avec Qwen-AgentWorld-397B-A17B comme simulateur ont produit des gains substantiels, tandis que l’utilisation de Qwen3.6-Plus comme simulateur n’a apporté qu’une amélioration négligeable. « L’agent apprend peu en interagissant avec un simulateur infidèle », notent les chercheurs. Des robots qui s'adaptent sans réentraînement ? Ce…

Le deuxième paradigme unifie l’agent et le modèle du monde en un seul modèle : le même modèle qui sélectionne les actions prédit également les états de l’environnement. Les résultats montrent que l’échauffement LWM (entraînement d’un modèle à prédire les états suivants) se transfère à des tâches agentiques multi-tours sur sept benchmarks, y compris trois domaines totalement hors domaine où le modèle n’a vu aucune donnée d’entraînement de modèle du monde. Des gains de +11,3, +9,7 et +9,0 sont apparus sur ces domaines inédits. LeRobot v0.6.0 imagine le futur pendant l’entraînement,…

La découverte la plus pratique concerne la contrôlabilité. L’utilisation d’instructions en langage naturel pour façonner le comportement du simulateur (injection d’erreurs API intermittentes, réponses paginées ou échecs partiels) a produit une amélioration de +3,7 points sur Tool Decathlon et un bond de +12,3 points sur MCPMark. « La contrôlabilité n’est pas simplement un facteur dans l’ampleur de l’amélioration », déclare l’article. « C’est une condition préalable pour que Sim RL fonctionne du tout dans ce domaine. »

L’implication plus large est que la modélisation du monde par le langage ouvre un axe complémentaire pour faire évoluer les agents généraux au-delà de ce que l’interaction en environnement réel peut offrir seule. Les environnements réels restent l’étalon-or pour ancrer le comportement des agents, mais ils sont coûteux, lents et ne peuvent pas produire les cas limites qu’une simulation contrôlable peut injecter à la demande. Un modèle du monde qui sert également de terrain d’entraînement, surtout s’il bat les modèles de pointe sur son propre benchmark de fidélité, pourrait remodeler la façon dont l’industrie aborde le développement des agents. Ces chercheurs ont trouvé un moyen de faire penser les…