مدل جهان، یک تصمیم زیرساختی است، نه برنده‌ی بنچمارک

این، نسخه‌ی کاربردی از وقتی مدل زبانی به‌جای بازیگر، شبیه‌ساز محیط می‌شود است.

مدل جهان (world model) چیست؟ در ساده‌ترین صورت، یک تابع است: از روی مشاهده‌ی فعلی و کنشی که انجام می‌دهیم، حالت بعدی محیط را پیش‌بینی می‌کند. همین. مجموعه‌ای مرزدار از دانش که رابطه‌ی «حالت + کنش ← حالت بعدی» را در خود دارد. در رباتیک، ورودی زاویه‌ی مفصل‌هاست و خروجی زاویه‌ی بعدی؛ در مرورگر، کنش یک کلیک است و خروجی درخت DOM جدید؛ در پوسته‌ی فرمان، کنش یک دستور است و خروجی متنی که چاپ می‌شود. مقاله‌ی Qwen-AgentWorld روی این شرط می‌بندد که خود این تابع می‌تواند یک مدل زبانی استدلال‌گر باشد، مدلی که با زنجیره‌ی فکری بلند (long chain-of-thought) روی هفت دامنه کار می‌کند.

پیشنهاد من این است: این کار را یک پیشنهاد زیرساختی بدانید، نه ورودی تازه‌ای به جدول رتبه‌بندی. بله، مدل روی AgentWorldBench از مدل‌های مرزی جلو می‌زند. اما این کم‌اهمیت‌ترین بخش ماجراست. پرسش کاربردی این است: این تابع در سیستم بزرگ‌تر چه کارکردی دارد و بدون آن چه چیزی گران تمام می‌شود؟

محیط واقعی گران است

هر کس آموزش تقویتی (RL) برای عامل‌ها را در محیط عملیاتی پیاده کرده باشد، یک چیز را خوب می‌داند: هزینه در گرادیان‌ها نیست، در محیط است. محیط واقعی کند است، حالت‌مند است، گاهی می‌شکند، محدودیت نرخ (rate limit) دارد و به‌سختی موازی می‌شود. اولین دیواری که به آن می‌خورید توان‌عبور محیط است، نه توان محاسباتی کارت گرافیک.

کارکرد سیستمی مدل جهان دقیقاً همین‌جاست. مدل جهان جای محیط واقعی کند را با یک تقریب سریع و قابل‌انشعاب (forkable) می‌گیرد. این همان الگوی شبیه‌ساز محیط جداشده (decoupled environment simulator) است. به‌جای اجرای همزمان هزار نمونه از یک مرورگر واقعی، هزار نسخه از یک مدل زبانی را اجرا می‌کنیم که رفتار مرورگر را پیش‌بینی می‌کند.

نکته‌ای هست که باید جدی گرفت: بنا بر گزارش مقاله، آموزش روی شبیه‌ساز نتیجه‌ای می‌دهد که از آموزش صرفاً روی محیط واقعی هم فراتر می‌رود (Qwen-AgentWorld). یعنی ماجرا «ارزان‌تر ولی بدتر» نیست؛ واقعاً بهتر است، چون مقیاس و کنترل‌پذیری بیشتری در دست دارید.

اما پای یک معامله در میان است. وفاداری به واقعیت زمینی (ground truth) را می‌فروشید و مقیاس و کنترل می‌خرید. این معامله فقط وقتی به‌صرفه است که پیش‌بینی‌های شبیه‌ساز توزیع وظیفه‌ی واقعی را پوشش بدهند. اگر ندهند، سیاست را روی جهانی آموزش می‌دهید که وجود ندارد.

وفاداری یک توزیع است، نه یک عدد

نگاهی به سازوکار آموزش کمک می‌کند. بیش از ۱۰ میلیون مسیر تعامل، هفت دامنه و یک نردبان سه‌مرحله‌ای: پیش‌آموزش پیوسته (CPT) برای تزریق دینامیک گذار حالت، تنظیم نظارت‌شده (SFT) برای فعال‌کردن استدلال پیش‌بینی حالت بعدی، و آموزش تقویتی با پاداش ترکیبی قاعده‌ای و معیاری (rubric-and-rule) برای تیزکردن وفاداری (Qwen-AgentWorld). نردبان آشناست؛ هدف آموزش تازه است.

حالا نقد اصلی. وقتی وفاداری را به‌صورت یک عدد کلی گزارش می‌کنیم، ناهمگونی‌اش پنهان می‌ماند. مرز واقعی مدل جهان توزیع مسیرهای آموزشی است. روی مسیرهای پرتکرار، پیش‌بینی تیز و درست است. اما دنباله‌ی بلند توزیع بی‌صدا خراب می‌شود. مدل یک حالت بعدی محتمل ولی جعلی می‌سازد و سیاست شما رفتار جهانی را می‌آموزد که هرگز وجود نداشته است. این خطرناک‌ترین حالت است، چون هیچ خطایی هم پرتاب نمی‌شود.

راهکار کاربردی این است: یک بررسی واگرایی (divergence check) بسازید. همان دنباله‌ی کنش‌ها را هم روی محیط واقعی و هم روی شبیه‌ساز اجرا کنید و رانش مسیر (trajectory drift) را اندازه بگیرید. هر ناحیه‌ای که رانش بالا دارد، همان‌جایی است که در محیط عملیاتی شکست خواهید خورد. حواستان باشد که AgentWorldBench — ساخته‌شده از تعامل ۵ مدل مرزی روی ۹ بنچمارک — یک کارنامه‌ی درون‌توزیع است، نه نقشه‌ی پوشش. به شما می‌گوید مدل روی چیزهایی که دیده چقدر خوب است، نه اینکه مرزش کجا تمام می‌شود.

کاربرد دوم: گرم‌کردن اولیه

مدل جهان یک کاربرد کم‌ریسک‌تر هم دارد. آموزش مدل جهان به‌عنوان گرم‌کردن اولیه (warm-up) به کار می‌رود و عملکرد پایین‌دستی را روی هر هفت بنچمارک عاملی بهتر می‌کند، آن هم درون یک مدل بنیادی یکپارچه (Qwen-AgentWorld).

چرا این کار جواب می‌دهد؟ اتصال به یک چارچوب بزرگ‌تر اینجا واقعی است. در فرگشت و در شناخت، پیش‌بینی همیشه ارزان‌تر از ترمیم بوده است؛ موجودی که حالت بعدی محیط را پیش‌بینی می‌کند، انرژی کمتری از موجودی هدر می‌دهد که فقط واکنش نشان می‌دهد. وقتی مدل را وادار می‌کنیم حالت بعدی را پیش‌بینی کند، مجبورش می‌کنیم ساختار علی درونی بسازد. و این دقیقاً همان چیزی است که یک برنامه‌ریز به آن نیاز دارد. برای عاملیت، پیش‌بینی حالت بعدی سیگنال بهتری است تا پیش‌بینی توکن بعدی.

مهم‌تر از همه، این کاربرد از مشکل وفاداری فرار می‌کند. گرم‌کردن اولیه فقط هنگام آموزش رخ می‌دهد؛ در زمان استنتاج هیچ شبیه‌سازی در حلقه نیست و به سیاست مستقر دست نمی‌زند. ریسکش پایین‌تر است. اگر تازه شروع می‌کنید، اول سراغ همین بروید.

در عمل چه کنیم

کد عمومی است (مخزن Qwen-AgentWorld). دو ایده‌ی جداشدنی اینجا هست با دو سطح ریسک متفاوت.

گرم‌کردن اولیه را گسترده و زود امتحان کنید. یک هدف کمکی پیش‌بینی حالت بعدی به آموزش اضافه کنید و اگر معیارهای پایین‌دستی حرکت کردند، نگهش دارید. این فقط زمان آموزش است و به هیچ چیز در محیط عملیاتی دست نمی‌زند.

شبیه‌ساز را باریک و تدافعی به کار ببرید. فقط وقتی سراغش بروید که محیط واقعی واقعاً گلوگاه شده باشد. و پیش از آنکه حلقه‌ی آموزش تقویتی را ببندید، بررسی واگرایی را بسازید. یک شبیه‌ساز اعتبارسنجی‌نشده، ماشینی است که با اطمینان کامل پاسخ‌های غلط می‌دهد.

جمع‌بندی

مدل جهان چیزی نیست جز دانشی با یک مرز مشخص، که جای سیستمی را می‌گیرد که مشاهده‌ی مستقیمش زیادی گران است. مثل مدل تونل باد که جای هواپیمای واقعی می‌نشیند، یا نقشه‌ی ذهنی که جای شهر واقعی. هر دو مفیدند، تا لحظه‌ای که فراموش کنیم نقشه، شهر نیست. انضباط مهندسی همین‌جاست: مرز دانش‌تان را بشناسید و فراتر از آن برنامه‌ریزی نکنید.

منابع

• Qwen-AgentWorld: Language World Models for General Agents — arXiv · cs.CL · 2026-06-23