Назад
5 июля 2026 г. в 06:09 AI Agents Qwen Alibaba Open Source Benchmarks Qwen / arXiv / GitHub

Qwen учит ИИ-агентов тренироваться в симулированном мире, а не только в живом вебе

Qwen учит ИИ-агентов тренироваться в симулированном мире, а не только в живом вебе

Qwen учит ИИ-агентов тренироваться в симулированном мире, а не только в живом вебе

Команда Alibaba Qwen открыла Qwen-AgentWorld-35B-A3B и AgentWorldBench — модель и бенчмарк для нового типа агентной инфраструктуры. Идея не в том, чтобы дать пользователю еще один чат-бот. Qwen-AgentWorld пытается моделировать среды, где агент действует: терминал, поиск, веб, Android, OS, SWE-задачи и MCP-инструменты.

Если обычная языковая модель предсказывает следующий текст, такая “модель мира” предсказывает, что произойдет после действия агента. Например: какую выдачу вернет поиск, что покажет терминал после команды, как изменится состояние интерфейса или где агент ошибется в последовательности шагов.

Зачем агентам симулятор

Сегодня сильные агенты часто учатся и проверяются в живых средах: реальных сайтах, репозиториях, терминалах и API. Это дорого, шумно и плохо контролируется. Среда меняется, сервисы блокируют автоматизацию, а ошибка агента может испортить файл, потратить деньги или увести процесс в сторону.

Qwen предлагает другой слой: сначала научить модель правдоподобно симулировать окружение, а затем использовать эту симуляцию как полигон для обучения и оценки агентов. По данным команды, Qwen-AgentWorld обучалась на более чем 10 млн траекторий взаимодействия с реальными средами. Открытая версия — MoE-модель 35B с 3B активных параметров и контекстом 256K.

Что показали тесты

В AgentWorldBench большая версия Qwen-AgentWorld-397B-A17B набрала 58,71 балла и, по данным авторов, обошла GPT-5.4 с 58,25. Открытая 35B-версия подняла результат базовой Qwen3.5-35B-A3B на 8,66 пункта. Эти цифры стоит читать осторожно: это бенчмарк от самих разработчиков, а не независимый стандарт.

Но направление важнее таблицы. Агентный ИИ упирается не только в “умную модель”, а в среду тренировки: где безопасно ошибаться, как воспроизводить сценарии, как проверять результат и как учить агента не ломать внешний мир. Если симуляторы станут достаточно надежными, разработчики смогут быстрее готовить агентов для рабочих интерфейсов, не превращая каждый эксперимент в поход по живым системам.

Ещё новости

AWS добавила в Textract ИИ-проверку полей по страницам документа
21 ноября 2026 г.
AWS добавила в Textract ИИ-проверку полей по страницам документа

Amazon Textract Insights извлекает поля из смешанных пакетов документов и возвращает для каждого значения оценку уверенности и привязку к странице. AWS позиционирует сервис как способ автоматизировать обработку без отказа от проверки человеком.

Математик Anthropic заявил о доказательстве гипотезы Римана с Claude
20 ноября 2026 г.
Математик Anthropic заявил о доказательстве гипотезы Римана с Claude

Математик Anthropic Левент Альпёге заявил, что вместе с Claude получил формальное доказательство гипотезы Римана и её обобщения. Код на Lean уже скомпилировался у независимого математика, но математическому сообществу ещё предстоит разобрать и подтвердить сам результат.

Signal блокирует захват экрана, чтобы ИИ-агенты не читали чаты
20 ноября 2026 г.
Signal блокирует захват экрана, чтобы ИИ-агенты не читали чаты

Signal вводит защиту от захвата экрана на iOS 27 и при обнаружении ИИ-помощника на Android. Мессенджер предупреждает: мера не закрывает все пути доступа и на macOS пока не работает.

В отчёте Reco — восемь захваченных аккаунтов Microsoft 365 за минуты
20 ноября 2026 г.
В отчёте Reco — восемь захваченных аккаунтов Microsoft 365 за минуты

В отчёте Reco описан инцидент с восемью захваченными аккаунтами Microsoft 365: после кражи сессии злоумышленники быстро меняли правила почты. Компания не утверждает, что атаку выполнил ИИ — и это важная граница для интерпретации.

DeepMind описал четыре пути от AGI к сверхинтеллекту
20 ноября 2026 г.
DeepMind описал четыре пути от AGI к сверхинтеллекту

Исследователь Google DeepMind Тим Генвейн предлагает смотреть на переход от человеческого уровня ИИ к сверхинтеллекту как на набор проверяемых технических сценариев. Это не прогноз сроков, а карта возможных ускорителей и ограничений.

Google выпустила Gemini 4 Neon: скорость Carbon за 60% цены
19 ноября 2026 г.
Google выпустила Gemini 4 Neon: скорость Carbon за 60% цены

Google представила Gemini 4 Neon — модель для сложных задач в коде, офисной работе и науке. Компания заявляет качество уровня Gemini 4 Carbon при трёхкратной скорости и 60% стоимости; проверять это стоит на собственных задачах.

GitHub открыла протокол для сессий AI-агентов между устройствами
19 ноября 2026 г.
GitHub открыла протокол для сессий AI-агентов между устройствами

GitHub описала открытый Agent Host Protocol: он сохраняет состояние AI-агента при переходе между VS Code, Copilot, телефоном и облаком. Это не новый агент, а общий способ подключать клиентов к уже работающей сессии.

Google представила Stitch Loop для непрерывной доработки приложений
19 ноября 2026 г.
Google представила Stitch Loop для непрерывной доработки приложений

Google Labs открыла лист ожидания Stitch Loop — агента, который подключается к коду и рабочим метрикам, находит проблемы и готовит pull request’ы. Сливать изменения без проверки человека сервис не должен.

GitHub отсеял 9 791 AI-находку до 99 отчётов для open source
18 ноября 2026 г.
GitHub отсеял 9 791 AI-находку до 99 отчётов для open source

В пилоте GitHub и Microsoft превратили тысячи сигналов AI-сканера в 99 проверенных закрытых отчётов для шести open-source-проектов. К 15 ноября мейнтейнеры исправили 55 из них — но это ранний опыт, а не доказательство универсальной эффективности сканеров.

OpenAI пустит четыре внешние команды внутрь своих систем безопасности
18 ноября 2026 г.
OpenAI пустит четыре внешние команды внутрь своих систем безопасности

OpenAI запускает первую фазу встроенных независимых оценок: Apollo Research, METR, Transluce и Goodfire получат доступ к части внутренних моделей, данных и процессов. Формат обещает больше прозрачности, но независимость публикаций ограничена правом компании скрывать конфиденциальные детали.

Microsoft выпустила MAI Code 2 для GitHub Copilot и Foundry
18 ноября 2026 г.
Microsoft выпустила MAI Code 2 для GitHub Copilot и Foundry

Microsoft представила MAI Code 2 и более быструю MAI Code 2 Flash — собственные модели для повседневной работы с кодом. Основная версия уже доступна в GitHub Copilot и Azure AI Foundry, а Flash в Foundry пока остаётся в ограниченном предпросмотре.

GPT‑6.2 Astra прибавила пять пунктов, но лидером рейтинга остаётся Claude
17 ноября 2026 г.
GPT‑6.2 Astra прибавила пять пунктов, но лидером рейтинга остаётся Claude

В независимом сводном рейтинге Artificial Analysis GPT‑6.2 Astra получила 62 из 100 — на пять пунктов больше, чем GPT‑6 Astra. Это заметный скачок OpenAI, но первое место остаётся у Claude Fable 5.2 Max с 65 баллами; Sol выросла с 55 до 57.