大语言模型能否成为智能体学习的「世界模型」？Mind Lab的最新研究给出了系统性答案。
智能体强化学习（Agentic RL）正面临一个意想不到的瓶颈。
过去一年，智能体领域进展显著：模型已经能够浏览网页、编写并执行代码、在复杂的工具生态中进行交互。然而，一个新问题浮出水面——与静态的预训练语料库不同，智能体的经验必须通过交互来获取。
现实环境交互速度慢、成本高、缺乏适应性，而且在覆盖范围上存在根本局限。Mind Lab将这一问题定义为**「经验瓶颈」**：智能体所需的经验量与现实世界所能提供的经验量之间，存在日益扩大的鸿沟。
如何破局？
Mind Lab认为，答案是世界建模（World Modeling） ——训练模型来模拟环境动态，让智能体能够通过「想象」中的交互进行学习，而不仅仅依赖真实的交互片段。
这引出了一个核心问题：
LLM能否成为智能体学习的有效世界模型？如果可以，在什么条件下才能真正发挥作用？
Mind Lab的最新研究对这些问题进行了系统性回答。
五大文本环境，一套统一测试平台
为了在受控环境下研究LLM作为世界模型的能力，研究团队将重点放在了文本环境上。
这种抽象方式保留了智能体与环境交互的核心挑战——状态追踪、动作执行、奖励预测——同时将目标从「预测下一个Token」重构为「预测下一个状态」。
研究涵盖了五种代表性环境：
| 环境 | 领域 | 动态特性 |
|---|---|---|
| ALFWorld | 家务任务 | 结构化，具身 |
| SciWorld | 科学实验 | 结构化，因果 |
| TextWorld | 交互小说 | 结构化，叙事 |
| WebShop | 网页导航 | 开放式，组合 |
| StableToolBench | API工具使用 | 开放式，符号 |
这些设置共同提供了一个全面的测试平台，用于评估作为「文本世界模拟器」的语言模型。
三层评估框架：不只看预测准确率
评估用于智能体学习的世界模型，不能只看预测准确率。研究团队引入了一个三层框架：
- 保真度与一致性：世界模型能否在短期和长期范围内维持连贯的潜状态？
- 可扩展性与鲁棒性：世界建模能力如何随数据和模型规模增长？在分布偏移下是否具有泛化性？
- 智能体效用：高保真度的世界模型能否转化为下游智能体性能的提升？
该框架超越了以往主要关注单步预测准确率的研究，明确建模和评估长程一致性——这对合成数据生成和基于模型的强化学习至关重要。
五大核心发现
发现一：LLM具备内在的潜状态动态
预训练LLM已经编码了丰富的世界知识。
Claude和Gemini这样的模型，仅通过少量上下文样本（Few-shot）就能在结构化环境中实现强大的下一状态预测。例如在SciWorld中，Claude的准确率仅凭三个示例就从56.8%跃升至73.1%。
然而，这种隐性知识是有局限的。在WebShop等开放式环境中，Few-shot提示在50%左右就停滞不前——仅靠提示无法捕捉转移模式的全部多样性。
监督微调（SFT）带来了显著改变。 在转移轨迹上训练的开源7B模型，在ALFWorld和SciWorld上达到了99%和98% 的准确率。
结论很清晰：高保真度的世界建模需要与动态对齐的训练。
| 模型 | 设置 | ALFWorld | SciWorld | TextWorld | WebShop |
|---|---|---|---|---|---|
| Claude-sonnet-4.5 | Zero-shot | 64.7 | 56.8 | 17.7 | 58.8 |
| Claude-sonnet-4.5 | Few-shot (3) | 77 | 73.1 | 49.1 | 56.7 |
| Gemini-2.5-flash | Few-shot (3) | 61.9 | 61.2 | 40.4 | 66.1 |
| Qwen2.5-7B | SFT | 99.9 | 98.6 | 70.6 | 79.1 |
| Llama3.1-8B | SFT | 99.7 | 98.6 | 70.5 | 77.2 |
SFT模型显著优于即使是最强的Few-shot提示前沿模型。
发现二：世界模型能保持长程一致性
一个可靠的世界模型不仅要准确预测下一个状态，还必须在长时间推演中保持连贯性。
研究团队定义了一致性比率（CR） 来衡量这一点：CR = W2R / Real，其中Real是智能体在现实环境中的成功率，W2R是在现实环境中重放世界模型生成的动作时的成功率。
CR接近1.0，意味着在模拟中生成的轨迹在现实中几乎可以完美执行。
结果如何？
在结构化环境中，微调后的世界模型实现了CR > 0.90——模拟生成的多步轨迹在迁移到现实时几乎完美执行。
| 智能体 | ALFWorld CR | SciWorld CR | TextWorld CR | WebShop CR |
|---|---|---|---|---|
| GPT-4o | 0.99 | 0.9 | 0.98 | 0.56 |
| GPT-4.1 | 1.04 | 1.07 | 1 | 0.58 |
| GPT-5 | 0.95 | 0.89 | 1 | 0.61 |
| Claude-sonnet-4.5 | 0.93 | 0.88 | 1 | 0.82 |
| 平均 | 0.96 | 0.91 | 0.92 | 0.67 |
值≥1.0表明世界模型推演能够完美迁移（或更好）到现实环境。
开放式环境则更困难。WebShop一致性在56–67%左右，主要因为模型难以模拟多样化的搜索结果。但当研究者用现实观测（如真实搜索结果）作为推演的「锚点」时，一致性跃升至近100%——部分的现实世界基础可以有效减少模拟漂移。
发现三：世界建模遵循可预测的扩展定律
研究最重要的发现之一：世界建模遵循可预测的扩展定律——但对环境有很强的依赖性。
数据扩展方面：结构化环境改进迅速，在约2万条轨迹时饱和，与其低熵动态一致。开放式环境的扩展更为平缓——WebShop在多达7万条轨迹时仍受益，而StableToolBench在16万条样本下仍未显示饱和迹象。
模型扩展方面：在结构化环境中，1.5B的模型已经可以捕捉核心动态。在开放式环境中，更大的模型提供稳定的准确率增益，表明成功需要海量数据和足够的容量。
发现四：超出记忆范围的泛化能力
世界模型设计的一个核心问题：模型是否只是记住了特定配置？
研究团队在ALFWorld中通过分布外（OOD）评估测试了这一点，改变了房间布局并引入了全新的房间类型。
结果表现优秀：世界模型在两种OOD设置下均保持了与现实环境紧密一致的成功率。这表明LLM世界模型捕捉的是可迁移的转移动态，而不是对特定布局的记忆。
研究还发现跨环境训练提供了稳定的正向增益。在多个环境中训练的单个世界模型可以稳健地服务于所有环境，特别是通过共享的物理和叙事动态，在TextWorld和WebShop中取得了尤为显著的提升。
发现五：世界模型为智能体提供真实效用
世界模型的终极考验：它是否能帮助智能体更好地学习？
研究展示了三个具体应用场景：
场景一：预执行验证
在WebShop中，结账是不可逆的。研究者将世界模型用作轻量级验证器：提交之前，智能体先模拟结果，只有当预测指示成功时才执行。
这一简单策略提高了所有智能体的成功率，其中中等容量模型的增益最大。
场景二：合成数据生成
当真实交互昂贵时，世界模型可以合成训练轨迹。
研究发现世界模型生成的轨迹与真实数据极具竞争力。在SciWorld中，合成数据的性能与真实数据相当，而混合使用两种数据源的效果优于单独使用任何一种。
场景三：强化学习的早期经验
在策略学习之前让智能体接触环境动态可以提供有用的归纳偏置。
研究者的WM-SFT → Agent-SFT → RL流程在ALFWorld和SciWorld上均带来了持续增益，稳定了RL训练并产生了更高的最终成功率。
Mind Lab：从「大脑」到「心智」
在Mind Lab看来，这项工作的关键洞察是：LLM不仅仅是序列预测器，它们是交互式世界的可学习模拟器。
这种重构解锁了超越数据增强的能力：
| 能力 | 世界模型赋能了什么 |
|---|---|
| 推理 | 预测是推理的核心。世界模型为因果推断、反事实思维和规划提供了基质。 |
| 适应 | 世界模型可以被查询、倒带和探索——一个内部操场，智能体可以在面对现实后果之前进行适应。 |
| 效率 | 智能体从想象的经验中学习，减少了对昂贵真实交互的依赖。 |
| 安全 | 在执行前模拟不可逆动作，将高风险决策转化为低风险的探索。 |
Mind Lab认为，一个拥有忠实世界模型的系统可以形成预期、探测意外、预先规划并从想象中学习——这正是区分「心智」与「大脑」的关键能力。
当然，这些增益取决于行为覆盖范围、分布对齐和环境复杂性。这项研究勾勒出了世界建模在何时有所帮助——以及在何处仍有不足。
研究团队
本工作由Yixia Li在客座科学家Hongru Wang（University of Edinburgh）和Guanhua Chen（SUSTech）的指导下完成。
Mind Lab与来自Princeton University、UIUC、Microsoft Research Asia、Oxford University和Fudan University的研究人员进行了合作。
展望
这项研究为将LLM视为通用世界模型奠定了经验基础。但文字只是开始。
Mind Lab正将这些想法扩展到多模态和具身领域——那里的经验瓶颈更加严重。
从文字到世界，从静态模型到适应性心智。
参考链接：
