โมเดลของ Alibaba ไม่เคยถูกฝึกเป็นเอเจนต์ แต่ปรับปรุงประสิทธิภาพของเอเจนต์ในเจ็ดเกณฑ์ได้อย่างมีนัยสำคัญ

เมื่อวันอังคารที่ผ่านมา ทีม Qwen ของ Alibaba ได้เปิดตัว Qwen-AgentWorld ซึ่งเป็นโมเดลที่มีการฝึกฝนไม่ให้ทำงานในสภาพแวดล้อมของเอเจนต์ แต่จะมุ่งเน้นไปที่การคาดการณ์สิ่งที่สภาพแวดล้อมจะส่งคืน โมเดลนี้ครอบคลุมเจ็ดโดเมนภายใต้สถาปัตยกรรมเดียว ได้แก่ MCP, การค้นหา, เทอร์มินัล, วิศวกรรมซอฟต์แวร์, Android, เว็บ และระบบปฏิบัติการ การเปิดตัวนี้เป็นการขยายแนวทางของ Alibaba ในการพัฒนาเอเจนต์อัตโนมัติ โดย Qwen3.7-Max ที่เปิดตัวในเดือนพฤษภาคม ได้ถูกสร้างขึ้นรอบความสามารถในการดำเนินการอัตโนมัติเป็นเวลา 35 ชั่วโมง ซึ่งเป็นการมุ่งเป้าไปที่ปัญหาที่ทีมที่ฝึกฝนเอเจนต์ในขนาดใหญ่ต้องเผชิญ

การค้นหาข้อมูลในเสิร์ชเอนจินทั่วไปจะนำเสนอผลลัพธ์ที่มีอยู่โดยไม่มีวิธีการที่จะฉีดเงื่อนไขที่ควบคุมได้ ในขณะที่เทอร์มินัลสดไม่อนุญาตให้ฉีดเงื่อนไขเช่นพื้นที่ดิสก์ที่ต่ำตามความต้องการ การฝึกฝนเอเจนต์จึงถูกจำกัดโดยสิ่งที่สภาพแวดล้อมการผลิตจะนำเสนอ โดยไม่มีวิธีการที่เป็นระบบในการเปิดเผยกรณีขอบที่เอเจนต์จะต้องจัดการ แต่พบได้ยากในการฝึกฝน ทีมวิจัยได้ฝึกฝนเอเจนต์ภายในซิมูเลเตอร์ที่สร้างขึ้นและพบว่าประสิทธิภาพที่ได้เกินกว่าที่ได้จากการฝึกฝนในสภาพแวดล้อมจริงเพียงอย่างเดียว

ในการทดสอบแยกต่างหาก การใช้การฝึกอบรมโมเดลโลกเป็นการอุ่นเครื่องก่อนการปรับแต่งเอเจนต์ ช่วยปรับปรุงประสิทธิภาพในเจ็ดเกณฑ์รวมถึงสามเกณฑ์ที่โมเดลไม่เคยเห็นในระหว่างการฝึกฝน เอกสารที่แนบมากับการเปิดตัวได้ระบุถึงช่องว่างในงานวิจัยเอเจนต์ก่อนหน้านี้ โดยกล่าวว่า “เราขอแย้งว่าการสร้างโมเดลโลกเป็นชิ้นส่วนที่ขาดหายไปในเส้นทางสู่การสร้างเอเจนต์ทั่วไป”

โมเดล Qwen-AgentWorld ได้รับการฝึกฝนให้ตอบคำถามในลักษณะตรงกันข้ามกับโมเดลเอเจนต์ทั่วไป โดยแทนที่จะถามว่า “เมื่อสภาพแวดล้อมแสดงอะไรให้ฉันเห็น ฉันควรทำอะไรต่อไป?” โมเดลนี้จะตอบว่า “เมื่อเอเจนต์ทำอะไรไปแล้ว สภาพแวดล้อมจะแสดงอะไรต่อไป?” การเปลี่ยนแปลงนี้เป็นหัวใจสำคัญของสิ่งที่เอกสารเรียกว่าโมเดลโลกทางภาษา ซึ่งช่วยให้สามารถพัฒนาเอเจนต์ที่มีความสามารถในการทำงานในสภาพแวดล้อมที่ซับซ้อนได้ดียิ่งขึ้น