讓模型真正 “能行動”，往往需要一個可執(zhí)行、可驗證的符號世界模型（Symbolic World Model）：它不是抽象的文字描述，而是能被規(guī)劃器或執(zhí)行器直接調(diào)用的形式化定義 —— 例如 PDDL 領(lǐng)域 / 問題，或可運行的環(huán)境代碼 / 模擬器。一旦世界被 “寫成可運行的規(guī)則”，我們就能在同一套約束下進行推演、測試與復現(xiàn)：模型不再停留在 “會說”，而是能回答 “如果我這樣做，會發(fā)生什么”，并用執(zhí)行結(jié)果檢驗自己是否真的理解了這個世界。

問題在于，現(xiàn)有自動生成路線普遍陷入三重困局：腳本式工作流、知識邊界封閉、表示覆蓋單一。許多方法仍沿用固定的 “生成 — 修復” 腳本，并以解析 / 規(guī)則匹配 / 固定檢查集等靜態(tài)校驗為主：它們或許能修語法與格式，卻常常抓不住只有在交互執(zhí)行中才暴露的行為級錯誤（例如狀態(tài)更新不一致、目標不可達、獎勵機制失效）。與此同時，當任務(wù)規(guī)格含糊、缺失關(guān)鍵規(guī)則或背景常識時，系統(tǒng)缺少主動檢索與補全機制，只能依賴模型記憶 “猜”。更關(guān)鍵的是，既有研究往往只覆蓋一種世界模型表示（只做 PDDL，或只做可執(zhí)行代碼），導致同一任務(wù)難以在不同符號表達之間共享驗證閉環(huán)與改進經(jīng)驗，限制了方法的通用性與可擴展性。

為攻克這一難題，研究團隊提出 Agent2World：一個工具增強（tool-augmented）的多智能體框架，用 “知識合成（Knowledge Synthesis）→ 世界模型實現(xiàn)（World Model Generation）→ 評估驅(qū)動精煉（Evaluation-Driven Refinement）” 的三階段閉環(huán)，把 “查資料補規(guī)格 + 寫實現(xiàn) + 交互測試糾錯” 內(nèi)化為可復用的生成范式，從而穩(wěn)定產(chǎn)出高可執(zhí)行、可驗證的符號世界模型。

實驗結(jié)果顯示，Agent2World 在 Text2World (PDDL)、CWMB (MuJoCo) 和 ByteSized32 (文本游戲) 三大基準上均實現(xiàn)了 SOTA 性能。更關(guān)鍵的是，該框架展現(xiàn)了可持續(xù)改進潛力：基于 Agent2World 生成的高質(zhì)量軌跡進行微調(diào)（SFT）后，模型性能顯著躍升 —— 與訓練前的同一模型相比，平均相對性能提升了 30.95%，有力證明了其作為高質(zhì)量世界模型數(shù)據(jù)合成引擎的工程與研究價值。

• 論文地址： https://arxiv.org/abs/2512.22336
• 項目地址： https://agent2world.github.io/
• 模型地址： https://huggingface.co/agent2world/llama3.1_8b_instruct_full_sft_v1_3_epoch
• 代碼地址： https://github.com/DeepExperience/agent2world

一、深層歸因：為何傳統(tǒng) “腳本式” 生成難以為繼？

在 Agent2World 之前，自動生成世界模型的主流方案常采用固定的 “草稿 — 修復（Draft-Repair）” 腳本：生成代碼 → 跑錯 → 看報錯改代碼。它能修語法，但很難保證 "跑起來" 的世界是對的。

• 被動腳本的死循環(huán)： 缺乏前瞻性規(guī)劃，復雜任務(wù)里常陷入 “改一個 bug 引出新 bug” 的低效迭代。
• 規(guī)格缺口帶來的幻覺： 描述不完整時，模型往往只能靠記憶 "猜" 規(guī)則邊界、接口細節(jié)與隱含前提，導致看似能跑、實則不自洽。
• 表示覆蓋單一的 "符號孤島"： 既有研究往往只覆蓋一種世界模型表示 —— 要么偏向 PDDL 的形式化規(guī)劃，要么偏向可執(zhí)行環(huán)境代碼。兩條路線各自為戰(zhàn)，生成、驗證與修復經(jīng)驗難以跨表示共享與遷移，同一問題在不同符號表達下往往需要重做一套流程，最終限制了方法的通用性與可擴展性。

歸根結(jié)底，難點不只是 “寫出代碼”，而是要在真實約束下穩(wěn)定產(chǎn)出可執(zhí)行、可復現(xiàn)、可迭代的世界模型；而 “腳本式流程 + 單一表示覆蓋” 的組合，正是阻礙這一目標的核心瓶頸之一。

二、方法拆解：把 "軟件開發(fā)團隊" 裝進模型里

Agent2World 的核心不是 "多拉幾個 agent 聊天"，而是把世界模型生成拆成軟件工程式三階段：Researcher 補規(guī)格、Developer 做實現(xiàn)、Testing Team 用單測 + 仿真交互做行為級驗收，并把驗收反饋反哺修復。

1. Deep Researcher：主動打破知識壁壘

現(xiàn)實任務(wù)往往信息不完備：目標相對清晰，但規(guī)則邊界、參數(shù)范圍、動作約束與接口細節(jié)并不完整，在不確定性與知識缺口的疊加下，極易導致事實性錯誤與幻覺。Deep Researcher 首先將任務(wù)描述分析并拆成一組待澄清問題（例如：允許的動作集合、狀態(tài)變量定義、終止條件、異常情況與邊界輸入等），它配備了網(wǎng)絡(luò)搜索和檢索工具，能夠迭代地從互聯(lián)網(wǎng)檢索構(gòu)建世界模型所需的知識，并最終輸出一個結(jié)構(gòu)化的中間表示，其中缺失的信息已得到補充。

2. Model Developer：統(tǒng)一跨模態(tài)表達

在獲得補全后的規(guī)格后，Model Developer 負責生成目標世界模型（例如 PDDL 域 / 問題，或可執(zhí)行的環(huán)境代碼）。這一階段不以 “寫得像” 為目標，而以 “能執(zhí)行、接口連通、與規(guī)格一致” 為硬約束。

因此 Developer 會在受控沙盒中進行基礎(chǔ)運行檢查與增量修復：一方面保證文件組織、函數(shù)簽名、依賴與調(diào)用鏈正確；另一方面確保狀態(tài)轉(zhuǎn)移、動作前置條件與效果、終止判定等核心邏輯與規(guī)格對齊。該階段的輸出是一個可以被執(zhí)行器 / 規(guī)劃器直接調(diào)用的環(huán)境實例。

3. Testing Team：雙重防線杜絕幻覺

這是框架中的關(guān)鍵組成部分。不同于以往依賴靜態(tài)驗證器的方法，Testing Team 引入了動態(tài)的、行為級的雙重驗證機制，專門捕捉只有在交互中才會暴露的邏輯錯誤。

• Unit Tester：它自動分析代碼結(jié)構(gòu)，生成 Pytest 風格的單元測試用例。重點驗證接口契約（Contract）、謂詞邏輯和不變式（Invariants）。例如，檢查 step () 函數(shù)返回的狀態(tài)維度是否與定義一致，或 PDDL 中的動作前置條件是否完備。
• Simulation Tester：這是一個基于 ReAct 框架的智能體，以交互方式在環(huán)境中采集軌跡并診斷深層的問題，如動力學錯誤 —— 例如 “機器人執(zhí)行了移動動作但坐標未更新”、“獎勵函數(shù)在達到目標后未正確觸發(fā)” 或 “狀態(tài)轉(zhuǎn)移違背物理常識”。

一旦發(fā)現(xiàn)問題，Testing Team 會輸出包含錯誤分析（Analysis）和修復建議（Suggest Fix）的結(jié)構(gòu)化報告，驅(qū)動 Developer 進行針對性修復，直到通過所有測試或達到收斂條件。

進階：從推理到訓練，構(gòu)建 "自進化" 的數(shù)據(jù)飛輪

Agent2World 的價值遠不止于一個推理框架，它本質(zhì)上是一個全自動的高質(zhì)量數(shù)據(jù)合成引擎。研究團隊通過 “任務(wù)合成 — 軌跡篩選 — 經(jīng)驗蒸餾” 的嚴密流程，將多智能體協(xié)作中的有效修復策略蒸餾為單體模型的生成與修復偏好。

• 數(shù)據(jù)合成：驗證器引導的拒絕采樣，為了避免數(shù)據(jù)泄露并提升泛化性，團隊并未直接使用測試集題目，而是自主合成（Self-Synthesized）了大量涵蓋不同領(lǐng)域的全新任務(wù)。在此基礎(chǔ)上，系統(tǒng)利用 “驗證器引導的拒絕采樣（Verifier-Guided Rejection Sampling）” 機制，從海量生成結(jié)果中篩選出 1526 條既通過沙盒運行、又通過雙重測試校驗的軌跡。這套數(shù)據(jù)集完整記錄了 Developer 從錯誤代碼到修復成功的高密度軌跡，為模型提供了極高價值的邏輯糾錯樣本。
• 監(jiān)督微調(diào)：在訓練階段，團隊精準提取 Model Developer 的交互軌跡對 Llama-3.1-8B-Instruct 進行監(jiān)督微調(diào)。訓練的核心目標并非讓模型單純模仿多智能體對話，而是讓其學習 Developer “如何理解模糊規(guī)格” 以及 “如何根據(jù) Testing Team 的報錯修復代碼”。通過這種方式，單體模型成功 “繼承” 了多智能體系統(tǒng)中 “根據(jù)反饋迭代（Iterative Refinement）” 的能力。

三、實驗驗證：橫掃三大基準，驗證 "數(shù)據(jù)飛輪" 效應(yīng)

Agent2World 在 Text2World（PDDL）/ CWMB（MuJoCo 可執(zhí)行模擬器）/ ByteSized32（文本游戲環(huán)境）三大基準上都拿到領(lǐng)先表現(xiàn)。

1. Text2World (PDDL)：

從 “能跑” 到 “懂邏輯” 的顯著提升。以 GPT-4.1-mini 為底座，在衡量 PDDL 代碼生成的基準中，Agent2World Multi 明顯降低了代碼 “跑不通” 的失敗率，實現(xiàn)了 93.1% 的代碼可執(zhí)行率（Executability），相比強基線 Text2World ($EC=3$) 提升了 14.9 個百分點。更重要的是，它在衡量語義正確性的 Component-wise F1 指標上達到了 75.4（基線僅為 60.1），提升幅度達 15.3 分。這表明模型不再只是機械地模仿 PDDL 語法，而是更加理解了謂詞約束與邏輯門控，生成了既符合語法又具備可解性的高質(zhì)量規(guī)劃域。

2. CWMB (MuJoCo)

不僅預(yù)測得準，更要 “好用” 。CWMB 同時評估 “仿真代碼是否能預(yù)測動力學”（Accuracy）與 “作為世界模型能否支撐下游規(guī)劃 / 控制”（Overall Normalized Return, R）。 在 GPT-4o-mini 上，Agent2World Multi 的 Overall R 達到 0.4811，相比此前最強基線 GIF-MCTS 的 0.3488 提升了 +0.132；并且在離散動作空間的預(yù)測準確率上與強基線持平（0.917 vs 0.914）。這說明，性能的提升并非來自單純的下一幀預(yù)測相似度，而是源于模型實現(xiàn)了 “可用于規(guī)劃的行為級一致性”，真正支撐起了下游控制任務(wù)。

3. ByteSized32 (Text Games)

常識推理與物理現(xiàn)實的高度一致性。在極度依賴常識推理的文本游戲中，Deep Researcher 的主動知識檢索發(fā)揮了很大的作用。Agent2World Multi 在核心指標 “物理現(xiàn)實對齊度（Physical Reality Alignment）” 上取得了 0.4768 的高分，相比單智能體版本（Single Agent）大幅提升了 0.2848 。 此外，在技術(shù)有效性（Technical Validity）上，模型生成的游戲代碼初始化成功率接近 99% 。這些數(shù)據(jù)表明，通過引入外部知識與多輪測試，模型成功消除了大量違反常識的 “物理幻覺”（如錯誤的狀態(tài)轉(zhuǎn)移或不合邏輯的物品交互），生成了邏輯嚴密且更穩(wěn)定的文本環(huán)境。

4. 模型微調(diào)實驗

基于自主合成的高質(zhì)量軌跡數(shù)據(jù)（訓練僅使用 Model Developer 軌跡），團隊對 Llama-3.1-8b-instruct 進行了監(jiān)督微調(diào)。實驗表明，這種 “以 Agent 養(yǎng) Model” 的策略帶來了顯著的泛化能力提升：微調(diào)后的模型在未見過的測試任務(wù)（Unseen Tasks）上，平均相對性能提升了 30.95%。特別是在 Text2World 任務(wù)中，模型生成的代碼可執(zhí)行率（Executability）提升高達 16.9%。這有力證明了，無需依賴昂貴的超大模型，僅憑小參數(shù)模型配合優(yōu)質(zhì)的 “自我修正” 合成數(shù)據(jù)，也能實現(xiàn)向高性能世界模型構(gòu)建者的跨越。

5. 消融實驗

缺一不可的雙引擎（基于 CWMB 驗證） 為了探究 Agent2World 卓越性能的來源，團隊在 CWMB（物理控制） 任務(wù)上進行了嚴苛的組件消融實驗。結(jié)果證實，Deep Researcher 與 Testing Team 均是構(gòu)建高可靠世界模型不可或缺的組件：

• 移除 Deep Researcher（知識引擎缺失）： 模型生成的模擬器在整體歸一化回報（Overall Normalized Return, R）上出現(xiàn)顯著下滑。這表明，在缺乏對物理參數(shù)與 API 規(guī)范的主動檢索時，模型定義的環(huán)境規(guī)則會出現(xiàn) “失真”，導致下游 Agent 無法在模擬中學習到在真實環(huán)境中有用的策略。
• 但當移除unit tester后，在離散動作空間的預(yù)測準確率顯著下降約 30%。移除simulation tester，也會同比下降約3%。這揭示了一個關(guān)鍵發(fā)現(xiàn)：“能運行” 不等于 “物理正確”。沒有動態(tài)交互產(chǎn)生的行為級反饋，模型很難在該設(shè)置下修正深層的動力學錯誤（如重力模擬偏差），生成的模擬器也因此失去了實用價值。

四、結(jié)語：開啟 AI 自主理解環(huán)境的新可能

Agent2World 的提出，標志著統(tǒng)一多智能體框架在符號世界模型生成領(lǐng)域的成功應(yīng)用。它不僅打破了 PDDL 規(guī)劃與可執(zhí)行代碼之間的表征壁壘，更通過 "網(wǎng)絡(luò)知識合成 - 迭代式模型開發(fā) - 評估驅(qū)動仿真測試" 的精密閉環(huán)，在無需人工標注與人工驗收的前提下，實現(xiàn)自動化的生成 — 測試 — 修復閉環(huán)，從而穩(wěn)定產(chǎn)出可執(zhí)行、可復現(xiàn)、可迭代的符號世界模型。這一突破不僅在三大基準測試中一致性地刷新了 SOTA，更為未來 AI 系統(tǒng)從自然語言中可靠地理解并形式化復雜的現(xiàn)實環(huán)境，開辟了全新的可能性。