人大高瓴开源新型Agent世界模型，执行前自动纠正错误决策！

智猩猩AI整理

核心作者投稿

Agent 的问题，有时不是不会行动，而是一直在沿着错误的理解行动。

搜索了一轮又一轮，却始终围绕一个未经验证的候选答案；执行了大量排查命令，故障判断却从一开始就错了；局部功能已经跑通，遗漏的任务要求却迟迟没有被发现。

这些行为有一个共同点：每一步看起来都“有道理”，整条任务轨迹却可能越走越偏。

一个值得追问的问题是：

工具明明返回了真实信息，为什么 Agent 还是会持续犯错？

中国人民大学高瓴人工智能学院的研究者们在轨迹分析中发现，未经证实的假设、过时的计划和错误的进度判断，会持续留在交互历史里，影响后面的推理与行动。他们将这一现象称为任务状态污染（task-state contamination）。

问题不只是“有没有拿到反馈”，更在于“如何理解反馈，以及接下来怎么做”。

针对这一问题，研究团队提出并开源了Agent-Editing World Model（AEWM）。与预测工具返回的语言世界模型不同，AEWM 将建模重点转向 Agent 的决策：判断当前推理与行动可能如何影响任务进展，并在执行前修订低价值决策。

实验中，AEWM 在行动判断基准上超过最强对照模型10.6 个百分点；配合其推理框架 EditAct，Qwen3.5-35B-A3B 在 Terminal-Bench 2.0 上从 37.1% 提升至 48.3%。

更进一步，这些经过修订的交互轨迹还能用于训练 Agent，让部分收益在不再调用 AEWM 时继续保留。

• 论文题目：Agent-Editing World Model: Rethinking World Modeling for LLM Agents

01

AEWM：从预测环境，到

判断并编辑决策

现有许多面向智能体的语言世界模型，仍沿用“预测环境反馈”的建模方式，例如生成搜索返回、终端执行结果或测试输出。

但这类环境观测本身具有较强的不确定性，并且高度依赖真实执行上下文：搜索结果会随网页内容、检索系统和排序策略变化，终端与测试反馈则与文件系统、依赖配置和运行时状态紧密相关。

因而，想要准确复现这些反馈本身就十分困难；更重要的是，在智能体可以直接调用真实工具获取可靠反馈的场景中，花费模型能力去“模拟环境”未必是最有价值的选择。

AEWM 因此换了一个建模重点：

不是重建“工具会返回什么”，而是预测“当前决策会对任务推进起到什么作用”。

同一个 AEWM 模型学习两项能力：

Action Judge：区分关键推进、有效探索与无效行动。

在行动执行前，模型根据任务、已观察到的交互历史，以及当前候选推理与行动，预测它属于哪一类：

• Critical：关键推进。获取必要证据、解决关键障碍，或完成任务所需的状态改变。

• Exploratory：有效探索。检验合理假设、排除候选分支，或减少与任务有关的不确定性。

• Noisy：无效行动。重复已知信息、偏离任务要求，或继续沿着缺乏依据的方向行动。

这里一个重要的区别是：没有立刻解决问题，不等于这一步没有价值。

一次排查即使没找到答案，只要可靠地排除了一个合理分支，就仍然值得保留。

AEWM 要减少的是无效重复，而不是必要的探索。

State Revision：不只给建议，而是直接改写下一步。

如果候选决策被判断为 Noisy，AEWM 就基于同一份已观察历史，生成替代的推理与行动：重新审视错误假设，处理相互矛盾的证据，或者把遗漏的要求重新纳入计划。

图：AEWM 的数据构建、训练与应用框架，左侧学习判断和修订，右侧接入真实执行并收集训练轨迹。

02

EditAct：先判断、必要时修订，

再真实执行

具备判断和修订能力之后，如何真正改变 Agent 的行为？

研究团队提出 EditAct，将 AEWM 接入 Agent 的执行流程。

原本，Agent 提出下一步决策后，就直接调用工具。现在，对于常规工具交互，流程变为：

Agent 提出决策 → AEWM 判断 → 保留有效决策或修订 Noisy 决策 → 真实执行 → 更新交互历史。

Critical 和 Exploratory 决策被保留，只有被判断为 Noisy 的决策触发修订。最终采用的推理、行动和真实工具反馈，一起进入后续历史。

这一设计的关键，不是多加一句“你再想想”，而是让修订后的内容直接成为下一步执行和后续推理的起点。

一个真实案例：服务没启动，还是检查方式不对？

在论文展示的一个成功案例中，Agent 需要实现并运行一个 gRPC 服务。

日志已经显示启动成功，但它在 IPv4 端口列表中没找到目标端口，于是继续沿着“服务没有正常监听”的方向排查。

AEWM 注意到，代码实际绑定的是 IPv6 地址，而此前检查的是 IPv4。它将下一步改为检查 IPv6 监听信息，真实执行后发现：目标端口确实正在监听。

随后，另一处修订将重复端口检查转向实际 RPC 读写验证，最终任务通过全部 7 项测试。

图：AEWM 修正“没有观察到，就等于没有运行”的判断，再通过真实调用验证服务功能。

这次修订的价值，不是让世界模型凭空宣布“服务正常”，而是纠正 Agent 对已有证据的理解，并选择能够验证这一判断的行动。

03

不只设计提示词，还要

学会判断和修订

研究团队以Qwen3.5-35B-A3B为基座，在 Search、Terminal 和软件工程（SWE）三个领域训练统一的世界模型。

训练数据围绕两个问题构建。

第一，这一步到底对任务产生了什么贡献？

对于 Action Judge，标注模型结合真实工具反馈和后续轨迹，判断每个决策的贡献类型。后续信息用于离线确定标签，但不会作为 AEWM 执行前判断时的输入；训练中的判断理由也通过过滤，避免引入当时尚不可见的信息。

这相当于：用实际发生的结果建立监督，再让模型学习从执行前的证据预测决策作用。

第二，改写后的决策是否真的更有用？

对于 State Revision，修订模型从相同历史出发提出替代方案，再执行修订后的行动。只有获得真实执行反馈和后续轨迹支持、带来实质性任务进展的样本，才被保留。

最终，AEWM 先进行 52.16B tokens 的中期训练，再使用 12 万条精选样本进行监督微调，其中行动判断与状态修订各占 6 万条。

04

六项基准、三个 Agent 基座，

这种编辑到底有没有用？

一、能否在执行前，判断出决策的作用？

研究团队构建了包含 3,000 个决策样本的 Action Judge Benchmark，Search、Terminal 和 SWE 各有 1,000 个样本。

模型只能看到执行前的信息，不能提前访问当前行动的工具返回或后续轨迹。

结果显示，AEWM 的整体 Macro-F1 达到 70.5%，超过最强对照模型 DeepSeek-V4-Pro 的 59.9%，提升 10.6 个百分点。三个领域的 Macro-F1 分别为 60.9%、72.1% 和 77.8%，均高于对应领域的最强基线。

图：AEWM 在 Search、Terminal、SWE 及整体行动判断基准上的 Macro-F1。

二、判断与编辑，能否转化为实际任务收益？

任务评测覆盖 BrowseComp、DeepSearchQA、Terminal-Bench 2.0、Doc2Repo、NL2Repo 和 SWE-Bench Pro 六项基准。

对照方法包括 ReAct，以及分别从三个候选决策、三条候选轨迹中进行选择的两种 Best@3 方法。

在六项基准与三个 Agent 基座组成的 18 组对比中，EditAct 均优于上述基线。

对于 Qwen3.5-4B、Qwen3.5-9B 和 Qwen3.5-35B-A3B，EditAct 的六项平均得分分别达到 41.8、44.1 和 48.8，较各自最强基线提高 6.7、5.2 和 3.2 个百分点。

图：三个 Agent 基座的完整对比结果。各基准采用其对应指标，Avg. 为六项基准得分的平均值。

这意味着，在论文的实验设置中，收益不仅出现在某一个任务上，也覆盖了不同模型规模和不同交互环境。

三、效果是否只是来自“多生成一次”？

研究团队进一步比较了随机触发修订、让 Agent 重新生成、提供 AEWM 提示，以及只修改推理或只修改行动等设置。

以 Qwen3.5-35B-A3B 在 Terminal-Bench 2.0 上的结果为例，重新生成与提供提示分别取得 40.4% 和 39.3%，完整 EditAct 则达到 48.3%。

图：干预方式、模型替换与训练阶段的消融实验。

这些对照表明，收益不只是多给 Agent 一次生成机会。何时介入，以及如何联合修订推理与行动，都是重要因素。

四、撤掉 AEWM，Agent 还能保留这些能力吗？

研究团队进一步提出 AEWM-RFT：收集经过质量筛选、由真实反馈支持的 EditAct 轨迹，通过拒绝采样微调，让 Agent 学习其中的纠偏和后续推进模式。

对照组 Self-RFT 使用 Agent 自己生成的轨迹。两者保持任务、轨迹数量、筛选策略和微调配置一致，只改变轨迹的生成方式。

评测时，两者都不再调用 AEWM。

结果显示，AEWM-RFT 在 BrowseComp、Terminal-Bench 2.0 和 Doc2Repo 上分别比 Self-RFT 提高 2.2、2.6 和 2.5 个百分点。

图：原始 Agent、Self-RFT 与 AEWM-RFT 的对比，所有模型均在没有在线 AEWM 指导的条件下评测。

这说明，经过修订的交互轨迹，不只是一次性的外部帮助，也能成为 Agent 后续学习的训练监督。

05

总结：真实反馈之外，还

需要更好的下一步

对于长程 Agent，能调用工具、获得真实反馈，只是可靠完成任务的一部分。

更关键的是，它能否持续分清：哪些是已经验证的事实，哪些仍然只是猜测；哪些问题已经解决，哪些要求还没有满足。

AEWM 的尝试，是把世界模型的关注点从复刻环境返回，转向预测决策作用，再通过执行前编辑，减少错误理解对后续任务的持续影响。

从“预测工具返回什么”，到“判断当前决策是否有用”，再到“直接修订下一步并从中学习”，AEWM 探索了一条面向长程 Agent 的世界模型路径。

它的目标不是让 Agent 一味多做，也不是让 Agent 一律少做，而是让每一步更有依据。

让真实环境提供事实，让世界模型帮助 Agent 基于事实，走出更好的下一步。

关注+星标，获取AI前沿进展与开源一线动态