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——它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。

Demo 示例

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