发布日期：2026-02-03 03:25 点击次数：75
让模子真是 “能行为”，经常需要一个可推论、可考据的标志寰球模子（Symbolic World Model）：它不是概括的笔墨形色，而是能被诡计器或推论器奏凯调用的状貌化界说 —— 举例 PDDL 规模 / 问题，或可运行的环境代码 / 模拟器。一朝寰球被 “写成可运行的规定”，咱们就能在团结套继续下进行推演、测试与复现：模子不再停留在 “会说”，而是能修起 “要是我这么作念，会发生什么”，并用推论闭幕检会我方是否真的默契了这个寰球。
问题在于，现存自动生成蹊径浩荡堕入三重困局：剧本式使命流、知识规模禁闭、暗示袒护单一。好多表率仍沿用固定的 “生成 — 建造” 剧本，并以领悟 / 规定匹配 / 固定检查集等静态校验为主：它们冒失能修语法与形状，却频频持不住只消在交互推论中才表示的行为级迂回（举例现象更新不一致、标的不能达、奖励机制失效）。与此同期，当任务规格朦胧、缺失要道规定或布景学问时，系统缺乏主动检索与补全机制，只可依赖模子驰念 “猜”。更要道的是，既有绸缪经常只袒护一种寰球模子暗示（只作念 PDDL，或只作念可推论代码），导致团结任务难以在不同标志抒发之间分享考据闭环与纠正教养，终端了表率的通用性与可膨大性。
为攻克这一贫困，绸缪团队提议 Agent2World：一个器用增强（tool-augmented）的多智能体框架，用 “知识合成（Knowledge Synthesis）→ 寰球模子杀青（World Model Generation）→ 评估驱动艰深（Evaluation-Driven Refinement）” 的三阶段闭环，把 “查尊府补规格 + 写杀青 + 交互测试纠错” 内化为可复用的生成范式，从而清爽产出高可推论、可考据的标志寰球模子。
实验闭幕娇傲，Agent2World 在 Text2World (PDDL)、CWMB (MuJoCo) 和 ByteSized32 (文本游戏) 三大基准上均杀青了 SOTA 性能。更要道的是，该框架展现了可持续纠正后劲：基于 Agent2World 生成的高质地轨迹进行微调（SFT）后，模子性能权贵跃升 —— 与老师前的团结模子比拟，平均相对性能擢升了 30.95%，有劲证明了其手脚高质地寰球模子数据合成引擎的工程与绸缪价值。
论文地址： https://arxiv.org/abs/2512.22336式样地址： https://agent2world.github.io/模子地址： https://huggingface.co/agent2world/llama3.1_8b_instruct_full_sft_v1_3_epoch代码地址： https://github.com/DeepExperience/agent2world
在 Agent2World 之前，自动生成寰球模子的主流决议常领受固定的 “草稿 — 建造（Draft-Repair）” 剧本：生成代码 → 跑错 → 看报错改代码。它能修语法，但很难保证 \"跑起来\" 的寰球是对的。
被迫剧本的死轮回： 劳苦前瞻性诡计，复杂任务里常堕入 “改一个 bug 引出新 bug” 的低效迭代。规格缺口带来的幻觉： 形色不齐备时，模子经常只可靠驰念 \"猜\" 规定规模、接口细节与隐含前提，导致看似能跑、实则不自洽。暗示袒护单一的 \"标志孤岛\"： 既有绸缪经常只袒护一种寰球模子暗示 —— 要么偏向 PDDL 的状貌化诡计，要么偏向可推论环境代码。两条蹊径各利己战，生成、考据与建造教养难以跨暗示分享与迁徙，团结问题在不同标志抒发下经常需要重作念一套经过，最终终端了表率的通用性与可膨大性。
归根结底，难点不仅仅 “写出代码”，而是要在真实继续下清爽产出可推论、可复现、可迭代的寰球模子；而 “剧本式经过 + 单一暗示袒护” 的组合，恰是窒碍这一标的的中枢瓶颈之一。
Agent2World 的中枢不是 \"多拉几个 agent 聊天\"，而是把寰球模子生成拆成软件工程式三阶段：Researcher 补规格、Developer 作念杀青、Testing Team 用单测 + 仿真交互作念行为级验收，并把验收响应反哺建造。
1. Deep Researcher：主动冲破知识壁垒
施行任务经常信息不完备：标的相对明晰，但规定规模、参数范围、动作继续与接口细节并不齐备，在概略情味与知识缺口的筹商下，极易导致事实性迂回与幻觉。Deep Researcher 动身点将任务形色分析并拆成一组待澄澈问题（举例：允许的动作谀媚、现象变量界说、拒绝条目、极端情况与规模输入等），它配备了网罗搜索和检索器用，能够迭代地从互联网检索构建寰球模子所需的知识，并最终输出一个结构化的中间暗示，其中缺失的信息已得到补充。
2. Model Developer：补救跨模态抒发
在赢得补全后的规格后，Model Developer 顾惜生成标的寰球模子（举例 PDDL 域 / 问题，或可推论的环境代码）。这一阶段不以 “写得像” 为标的，而以 “能推论、接口连通、与规格一致” 为硬继续。
因此 Developer 会在受控沙盒中进行基础运行检查与增量建造：一方面保证文献组织、函数签名、依赖与调用链正确；另一方面确保现象退换、动作前置条目与后果、拒绝判定等中枢逻辑与规格对都。该阶段的输出是一个不错被推论器 / 诡计器奏凯调用的环境实例。
3. Testing Team：双重防地阻绝幻觉
这是框架中的要道构成部分。不同于以往依赖静态考据器的表率，Testing Team 引入了动态的、行为级的双重考据机制，挑升捕捉只消在交互中才会表示的逻辑迂回。
Unit Tester：它自动分析代码结构，生成 Pytest 格调的单位测试用例。重心考据接口公约（Contract）、谓词逻辑和不变式（Invariants）。举例，检查 step () 函数复返的现象维度是否与界说一致，或 PDDL 中的动作前置条目是否完备。Simulation Tester：这是一个基于 ReAct 框架的智能体，以交互方式在环境中集会轨迹并会诊深层的问题，如能源学迂回 —— 举例 “机器东谈主推论了移动动作但坐标未更新”、“奖励函数在达到标的后未正确触发” 或 “现象退换屈膝物理学问”。
一朝发现问题，Testing Team 会输出包含迂回分析（Analysis）和建造建议（Suggest Fix）的结构化阐发，驱动 Developer 进行针对性建造，直到通过总共测试或达到料理条目。
进阶：从推理到老师，构建 \"自进化\" 的数据飞轮
Agent2World 的价值远不啻于一个推理框架，它实质上是一个全自动的高质地数据合成引擎。绸缪团队通过 “任务合成 — 轨迹筛选 — 教养蒸馏” 的严实经过，将多智能体融合中的有用建造战术蒸馏为单体模子的生成与建造偏好。
数据合成：考据器教授的拒却采样，为了幸免数据透露并擢升泛化性，团队并未奏凯使用测试集题目，而是自主合成（Self-Synthesized）了浩荡涵盖不同规模的全新任务。在此基础上，系统欺诈 “考据器教授的拒却采样（Verifier-Guided Rejection Sampling）” 机制，从海量生成闭幕中筛选出 1526 条既通过沙盒运行、又通过双重测试校验的轨迹。这套数据集齐备记载了 Developer 从迂回代码到建造到手的高密度轨迹，为模子提供了极高价值的逻辑纠错样本。监督微调：在老师阶段，团队精确索求 Model Developer 的交互轨迹对 Llama-3.1-8B-Instruct 进行监督微调。老师的中枢标的并非让模子单纯师法多智能体对话，而是让其学习 Developer “怎样默契混沌规格” 以及 “怎样把柄 Testing Team 的报错建造代码”。通过这种方式，单体模子到手 “摄取” 了多智能体系统中 “把柄响应迭代（Iterative Refinement）” 的才智。
Agent2World 在 Text2World（PDDL）/ CWMB（MuJoCo 可推论模拟器）/ ByteSized32（文本游戏环境）三大基准上都拿到率先阐扬。
1. Text2World (PDDL)：
从 “能跑” 到 “懂逻辑” 的权贵擢升。以 GPT-4.1-mini 为底座，在推测 PDDL 代码生成的基准中，Agent2World Multi 表示缩短了代码 “跑欠亨” 的失败率，杀青了 93.1% 的代码可推论率（Executability），比拟强基线 Text2World ($EC=3$) 擢升了 14.9 个百分点。更紧迫的是，它在推测语义正确性的 Component-wise F1 标的上达到了 75.4（基线仅为 60.1），擢升幅度达 15.3 分。这标明模子不再仅仅机械地师法 PDDL 语法，而是愈加默契了谓词继续与逻辑门控，生成了既相宜语法又具备可解性的高质地诡计域。
2. CWMB (MuJoCo)
{jz:field.toptypename/}不仅展望得准，更要 “好用” 。CWMB 同期评估 “仿真代码是否能展望能源学”（Accuracy）与 “手脚寰球模子能否解救下流诡计 / 适度”（Overall Normalized Return, R）。 在 GPT-4o-mini 上，Agent2World Multi 的 Overall R 达到 0.4811，比拟此前最强基线 GIF-MCTS 的 0.3488 擢升了 +0.132；何况在闹翻动作空间的展望准确率上与强基线持平（0.917 vs 0.914）。这说明，性能的擢升并非来自单纯的下一帧展望相通度，而是源于模子杀青了 “可用于诡计的行为级一致性”，真是解救起了下流适度任务。
3. ByteSized32 (Text Games)
学问推理与物理施行的高度一致性。在十分依赖学问推理的文本游戏中，Deep Researcher 的主动知识检索施展了很大的作用。Agent2World Multi 在中枢标的 “物理施行对都度（Physical Reality Alignment）” 上取得了 0.4768 的高分，比拟单智能体版块（Single Agent）大幅擢升了 0.2848 。 此外，在本领有用性（Technical Validity）上，模子生成的游戏代码脱手化到手率接近 99% 。这些数据标明，通过引入外部知识与多轮测试，模子到手摈斥了浩荡违背学问的 “物理幻觉”（如迂回的现象退换或区别逻辑的物品交互），生成了逻辑严实且更清爽的文本环境。
基于自主合成的高质地轨迹数据（老师仅使用 Model Developer 轨迹），团队对 Llama-3.1-8b-instruct 进行了监督微调。实验标明，这种 “以 Agent 养 Model” 的战术带来了权贵的泛化才智擢升：微调后的模子在未见过的测试任务（Unseen Tasks）上，平均相对性能擢升了 30.95%。非常是在 Text2World 任务中，模子生成的代码可推论率（Executability）擢升高达 16.9%。这有劲证明了，无需依赖奋斗的超大模子，仅凭小参数模子配合优质的 “自我修正” 合成数据，也能杀青向高性能寰球模子构建者的逾越。
不能偏废的双引擎（基于 CWMB 考据） 为了探究 Agent2World 不凡性能的起原，团队在 CWMB（物理适度） 任务上进行了严苛的组件消融实验。闭幕阐发，Deep Researcher 与 Testing Team 均是构建高可靠寰球模子不能或缺的组件：
移除 Deep Researcher（知识引擎缺失）： 模子生成的模拟器在举座归一化酬金（Overall Normalized Return, R）上出现权贵下滑。这标明，在劳苦对物理参数与 API 表率的主动检索时，模子界说的环境规定会出现 “失真”，导致下流 Agent 无法在模拟中学习到在真实环境中有用的战术。但当移除unit tester后，在闹翻动作空间的展望准确率权贵下跌约 30%。移除simulation tester，也会同比下跌约3%。这揭示了一个要道发现：“能运行” 不就是 “物理正确”。莫得动态交互产生的行为级响应，模子很难在该设置下修正深层的能源学迂回（如重力模拟偏差），生成的模拟器也因此失去了实用价值。
Agent2World 的提议，标志着补救多智能体框架在标志寰球模子生陋习模的到手应用。它不仅冲破了 PDDL 诡计与可推论代码之间的表征壁垒，更通过 \"网罗知识合成 - 迭代式模子开导 - 评估驱动仿真测试\" 的精密闭环，在无需东谈主工标注与东谈主工验收的前提下，杀青自动化的生成 — 测试 — 建造闭环，从而清爽产出可推论、可复现、可迭代的标志寰球模子。这一突破不仅在三大基准测试中一致性地刷新了 SOTA，更为往常 AI 系统从当然说话中可靠地默契并状貌化复杂的施行环境，开辟了全新的可能性。
备案号: