在线教程｜阿里千问团队开源首个原生语言世界模型，一个模型打通终端、网页与手机智能体交互

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 HyperAI（hyper.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-AgentWorld

Demo 示例

更多在线教程：

Notebooks | HyperAI

Demo 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 HyperAI（hyper.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 · GitHub

Demo 示例

更多在线教程：

Notebooks | HyperAI

Demo 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