Qwen-AgentWorld: Language World Models für General Agents – Alibabas Sprung von Policy zu Simulation

TL;DR: Am 24. Juni 2026 hat das Qwen-Team von Alibaba Qwen-AgentWorld veröffentlicht – das erste Language World Model, das sieben Agent-Domänen (MCP, Search, Terminal, SWE, Android, Web, OS) in einem einzigen Modell simuliert. Statt zu entscheiden, was zu tun ist, sagt das Modell voraus, was passiert, wenn ein Agent eine Aktion ausführt. Die 397B-A17B-Variante schlägt auf dem neuen AgentWorldBench knapp GPT-5.4 (58,71 vs. 58,25), Open Source unter Apache-2.0 ist allerdings nur das kleinere 35B-A3B-Modell, das laut einem Nutzerbericht auf einer RTX 4090 läuft.

Was ist ein Language World Model?

Ein Language World Model (LWM) ist ein Sprachmodell, das nicht handelt, sondern eine Umgebung simuliert. Der Unterschied zu einem normalen KI-Agenten ist fundamental und lässt sich am besten als Funktionsabbildung beschreiben. Ein HN-Kommentator bringt es präzise auf den Punkt: Ein regulärer LLM agiert als Policy und bildet einen Zustand auf eine Aktion ab (states → actions). Qwen-AgentWorld agiert als World Model und bildet einen Zustand plus eine gewählte Aktion auf den resultierenden Folgezustand ab ((states, actions) → next states). Konkret heißt das: Während ein gewöhnlicher Coding-Agent bei der Aufgabe „bearbeite diese Datei" einen sed-Befehl vorschlägt, sagt das World Model den Inhalt der Datei nach der Bearbeitung voraus. Es gibt strukturierte Daten als Beobachtung zurück, etwa wörtlichen HTML-Code, UI-View-Hierarchien oder Accessibility Trees.

Technisch ist auch ein World Model ein autoregressives Sprachmodell. Der entscheidende Punkt ist das Trainingsziel. Qwen-AgentWorld ist ein natives World Model: Die Umgebungsmodellierung ist ab der ersten Trainingsstufe das explizite Ziel, kein nachträglich angeflanschter Zusatz. Das Modell lernt nicht, Aufgaben zu lösen, sondern die Dynamik von sieben digitalen Welten so genau abzubilden, dass es als Simulator taugt.

Die nützlichste Analogie ist der Flugsimulator. Ein Pilot trainiert riskante Manöver nicht am echten Flugzeug, sondern in einer Simulation, die realistisch genug ist, um daraus zu lernen. Qwen-AgentWorld soll genau das für autonome KI-Agenten sein: eine sichere, beliebig wiederholbare Umgebung, in der ein Agent Aktionen ausprobieren und ihre Konsequenzen sehen kann, ohne ein echtes System anzufassen.

Warum ist der Shift von Decision zu Simulation wichtig?

Heutige LLM-Agenten handeln weitgehend blind. Ein Agent versteht die Konsequenzen seiner Aktionen kaum, weil er den Folgezustand der Umgebung nicht modelliert. Er ruft ein Tool auf und hofft, dass das Ergebnis passt. Ein World Model schließt diese Lücke. Wenn ein Modell zuverlässig vorhersagen kann, wie sich ein Zustand durch eine Aktion verändert, eröffnet das zwei Dinge: Erstens lassen sich Agenten vollständig in der Simulation trainieren, ohne teure und langsame Interaktion mit echten Systemen. Zweitens, und das ist der vielleicht interessantere Punkt aus der Community-Diskussion, lässt sich ein World Model zur Verifikation nutzen. Ein HN-Nutzer fragt, ob man damit den Ausführungspfad eines Agenten gegen harte Constraints prüfen und so klassische „LLM-as-a-judge"-Ansätze ablösen könnte. Das verschiebt die Rolle von „raten und ausführen" hin zu „simulieren und absichern".

Welche sieben Domänen deckt Qwen-AgentWorld ab?

Qwen-AgentWorld ist laut eigener Aussage das erste Language World Model, das sieben Interaktionsdomänen in einem einzigen Modell vereint. Jede Domäne hat eigene Ein- und Ausgaben. | Domäne | Was das Modell simuliert | |---|---| | MCP | Tool-Antworten von verbundenen Model-Context-Protocol-Servern | | Search | Suchergebnisse und Recherche-Verlauf | | Terminal | Konsolen-Output von Shell-Befehlen | | SWE (Software Engineering) | Datei- und Repo-Zustand nach Code-Änderungen | | Android | UI-Zustand über Accessibility Trees | | Web | den nächsten HTML-Screen nach einer Nutzeraktion | | OS | Zustand des Betriebssystems | Praktisch bedeutet das eine Zweiteilung: Textbasierte Domänen wie MCP und Search hängen stark von faktischem Weltwissen ab, denn das Modell muss plausible Tool-Antworten und Suchergebnisse erzeugen. Terminal und SWE verlangen Reasoning über Code-Ausführung und lange kausale Zusammenhänge. Die grafischen Domänen Android und Web sind am anspruchsvollsten: Hier muss das Modell Oberflächenänderungen vorhersagen, indem es über Accessibility Trees argumentiert, also strukturierte Repräsentationen der sichtbaren Bildschirmelemente. Für die Web-Domäne gibt das Modell den nächsten Screen als vollständiges, in sich geschlossenes HTML-Dokument aus.

Wie funktioniert das Drei-Stufen-Training (CPT → SFT → RL)?

Qwen-AgentWorld entsteht in einer dreistufigen Pipeline, die das Qwen-Team mit „CPT injects, SFT activates, RL sharpens" zusammenfasst. Trainingsgrundlage sind über 10 Millionen reale Interaktions-Trajektorien, die von physischen Hosts, virtuellen Maschinen (etwa Ubuntu, macOS und Android) und Browsern aufgezeichnet wurden. Es ist also kein rein synthetisches Training. CPT (Continual Pre-Training): Diese Stufe injiziert breites Umgebungswissen über alle Domänen. Dabei kommt eine information-theoretische Loss-Masking-Technik zum Einsatz, die wiederkehrendes Template-Rauschen ignoriert. Reine Boilerplate- und Echo-Turns werden im Training abgeschwächt, während Retrieval- und Action-Turns voll gewichtet bleiben. So konzentriert sich das Modell auf die tatsächlichen Umgebungsreaktionen statt auf Formatfüllsel. SFT (Supervised Fine-Tuning): Hier wird die Next-State-Prediction als explizites Denkmuster aktiviert, vergleichbar mit einer Chain-of-Thought. Das Modell lernt konkret zu schließen, wie eine Aktion den aktuellen Zustand in den nächsten überführt. RL (Reinforcement Learning): Die letzte Stufe schärft die Simulationstreue (simulation fidelity). Über hybride Belohnungen wird das Modell gezielt davon abgehalten, zu halluzinieren oder die Simulation scheitern zu lassen. Bemerkenswert ist der Transfer-Effekt, den das Qwen-Team „Agent Foundation Model" nennt: Ein RL-Warm-up auf einfachen, nicht-agentischen Single-Turn-Trajektorien überträgt sich messbar auf komplexe, mehrstufige Tool-Calling-Aufgaben. Die README beziffert die Verbesserungen unter anderem mit +6,30 auf Terminal-Bench 2.0, +12,79 auf WideSearch und +11,28 auf Claw-Eval, davon mehrere Benchmarks vollständig außerhalb der Trainingsdomänen (Out-of-Distribution).

Wie schlägt sich Qwen-AgentWorld im AgentWorldBench?

Zusammen mit dem Modell wurde AgentWorldBench veröffentlicht, ein Benchmark über alle sieben Domänen. Jede vorhergesagte Umgebungsbeobachtung wird auf fünf Dimensionen bewertet: Format, Factuality, Consistency, Realism und Quality. Der Gesamtwert ist der normalisierte Mittelwert über diese Rubrik (Skala 0 bis 100). | Modell | Search | Web | Overall | |---|---|---|---| | Qwen-AgentWorld-397B-A17B | 37,82 | 50,98 | 58,71 | | GPT-5.4 | 37,26 | 51,80 | 58,25 | | Claude Opus 4.6 | 29,30 | 51,42 | 57,80 | | Claude Opus 4.8 | 35,14 | 54,66 | 56,59 | | Qwen-AgentWorld-35B-A3B | 36,69 | 49,55 | 56,39 | | Gemini 3.1 Pro | 30,21 | 52,83 | 54,57 | | Qwen3.5-35B-A3B (Basis) | 25,98 | 47,10 | 47,73 | Drei Dinge sind ehrlich einzuordnen. Erstens: Die 397B-Variante führt das Feld an (58,71) und schlägt GPT-5.4, aber der Abstand ist mit 0,46 Punkten minimal. Zweitens: Der eigentliche Beweis ist das kleine Modell. Qwen-AgentWorld-35B-A3B legt gegenüber der Basis Qwen3.5-35B-A3B um +8,66 Punkte zu (von 47,73 auf 56,39), allein durch das World-Model-Training. Drittens: Bei den grafischen Domänen liegt Qwen hinter Anthropics Modellen. Auf Web erreicht die 397B-Variante 50,98 und damit weniger als Claude Opus 4.8 (54,66). Der wahrscheinliche Grund ist fehlendes multimodales Pre-Training, denn das Modell arbeitet nur über Accessibility Trees, nicht über Pixel-Input. Stark ist Qwen dagegen ausgerechnet bei Search, wo es mit 37,82 das gesamte Feld anführt. Wichtig: Die Benchmark-Werte messen die Qualität der Simulation, nicht die Fähigkeit, Aufgaben selbst zu lösen. Das ist eine häufige Fehllesart der Tabelle, die auch auf Hacker News für Verwirrung sorgte.

Welche zwei Einsatzparadigmen gibt es?

Qwen-AgentWorld lässt sich auf zwei grundlegend verschiedene Arten nutzen. Decoupled Environment Simulator: Hier ist das Modell ein entkoppelter „digitaler Spielplatz". Es handelt nicht selbst, sondern übernimmt die Rolle der Umgebung: Es nimmt einen Zustand und die Aktion eines externen Agenten entgegen und liefert den nächsten Zustand. So lassen sich andere Agenten komplett in der Simulation per Reinforcement Learning trainieren (Sim RL), ohne echte Systeme zu belasten. Die README zeigt, dass Sim RL mit Qwen-AgentWorld auf 4.000 Out-of-Distribution-Umgebungen die Leistung eines Basismodells messbar steigert. Unified Agent Foundation Model: Hier verschmelzen Weltmodellierung und Entscheidungsfindung in einem einzigen Agenten. Das Modell nutzt sein Verständnis der simulierten Welt, um selbst zu planen und zu handeln. Wer die Infrastruktur hinter solchen Agenten verstehen will, findet im Beitrag Was ist ein AI Harness den passenden Kontext.

Wie bringst du Qwen-AgentWorld lokal zum Laufen?

Open Source ist das kleinere Modell Qwen-AgentWorld-35B-A3B, ein Mixture-of-Experts-Modell (MoE) mit 35 Milliarden Parametern total und 3 Milliarden aktiv, bei 256K Kontextlänge. Die README dokumentiert den Betrieb über SGLang und vLLM. Alternativ mit vLLM: In beiden Fällen steht anschließend eine OpenAI-kompatible API unter http://localhost:8000/v1 bereit. Für die sieben Domänen liefert das Repo im Ordner prompts/ fertige World-Model-System-Prompts. Interessant für die Local-LLM-Szene: Ein Hacker-News-Nutzer berichtet, das Modell lokal auf einer RTX 4090 (24 GB) mit rund 150 Token pro Sekunde im Quant-Format Q4KM zu betreiben. Das ist ein Community-Wert, keine offizielle Angabe, und die GGUF-Unterstützung war anfangs holprig: Ein anderer Nutzer meldete beim Laden über llama.cpp einen fehlenden Tensor (missing tensor 'blk.40.attnnorm.weight'). Größere Quantisierungen wie Q6 und Q8 wurden in der Diskussion erst erwartet. Wer Consumer-Hardware ausreizen will, findet im Guide Claude Code kostenlos und lokal mit Gemma 4 und Ollama eine verwandte Einordnung lokaler Modelle.

Wo liegen die Grenzen?

So spannend der Ansatz ist, die Einschränkungen sind genauso wichtig wie die Benchmark-Zahlen. - Das 397B-Modell ist nicht offen. Ausgerechnet die Variante, die GPT-5.4 schlägt, bleibt proprietär. Unter Apache-2.0 veröffentlicht ist nur die 35B-A3B-Variante. Der offene Open-Source-Aspekt, der Qwen klar von GPT-5.4 abhebt, gilt also nur für das kleinere Modell. - Drift-Risiko. Ein Simulator, der aus aufgezeichneten Tool- und API-Zuständen gelernt hat, veraltet, sobald sich diese Tools ändern. Die gelernte Simulation driftet dann von der Realität weg. Die Quellen sprechen das nicht explizit als „Drift" an, aber es ist die logische Schwachstelle eines datengetriebenen World Models. - Schwäche bei GUI-Domänen. Auf Web und Android liegt Qwen-AgentWorld hinter Claude Opus 4.6 und 4.8. Ohne multimodales Pre-Training bleibt die Vorhersage komplexer Oberflächen über Accessibility Trees limitiert. - Simulationstreue bei langen Ketten ist offen. 256K Kontext sind theoretisch vorhanden, aber wie verlässlich die Simulation über viele Dutzend Schritte bleibt, zeigen die Quellen nicht. Gerade kleinere MoE-Modelle tun sich erfahrungsgemäß schwer, den Workflow-State über lange Trajektorien zu halten. - Die „World Model"-Debatte. Auf Hacker News kritisieren Nutzer, Qwen labele lediglich etwas anders trainierte LLMs als „World Models" um, obwohl der Begriff klassisch Nicht-LLM-Architekturen wie Dreamer oder MuZero meint. Andere halten dagegen, dies seien wenigstens World Models, die tatsächlich eine Welt modellieren, statt den Begriff als Hype-Label für Video-Diffusion zu missbrauchen. - Fehlerhafte Charts. In der Veröffentlichung passten in Figure 1 die Balkenlängen nicht zu den beschrifteten Deltas. Ein Kommentator urteilte, das „casts a doubt on the entire paper". Die Auflösung ist allerdings entwarnend: Die Zahlen in Table 6 sind konsistent (etwa 47,9 auf 55,0, also +7,1), nur die Grafik, vermutlich KI-generiert, ist schlampig gezeichnet. - Datenskala statt Durchbruch? Ein häufiger Einwand: 10 Millionen Trajektorien seien eher ein Daten-Skalierungs-Sieg als ein konzeptioneller Durchbruch.

Wie ordnet sich Qwen-AgentWorld in das World-Models-Rennen 2026 ein?

World Models sind kein neues Konzept. Im Reinforcement Learning beschreiben Systeme wie DreamerV3 oder MuZero seit Jahren latente Dynamiken von Spielen und Steuerungsaufgaben. Der Unterschied: Diese Modelle lernen abstrakte, latente Zustände, oft aus Pixeln oder Brettstellungen. Qwen-AgentWorld bleibt dagegen rein textuell und sagt strukturierte Beobachtungen wie HTML oder Terminal-Output voraus. | Kriterium | Qwen-AgentWorld-35B | DreamerV3 / MuZero | Standard-LLM-Agent | |---|---|---|---| | Domänen | 7 (MCP, Search, Terminal, SWE, Android, Web, OS) | Spiele, Steuerung | aufgabenabhängig | | Ebene | rein textuell | latent (Pixel, Board-State) | textuell | | Rolle | Simulator | World Model | Policy | | Open Source | ja (35B, Apache-2.0) | teils | variiert | | Consumer-Hardware | ja (4090, Q4) | eingeschränkt bis nein | ja | Der eigentliche Beitrag von Qwen-AgentWorld ist damit weniger die einzelne Benchmark-Zahl als die Breite: ein einzelnes Sprachmodell, das sieben sehr unterschiedliche Agent-Welten gleichzeitig simuliert und das Ergebnis offen unter Apache-2.0 stellt. Dass quelloffene Modelle inzwischen mit der proprietären Spitze konkurrieren, ist ein Muster, das auch GLM-5.2 als Open-Source-Modell zeigt.

FAQ: Häufig gestellte Fragen zu Qwen-AgentWorld

Was ist der Unterschied zwischen Qwen-AgentWorld und einem normalen Qwen-Modell? Ein normales Sprachmodell ist eine Policy: Es entscheidet, welche Aktion als Nächstes kommt. Qwen-AgentWorld ist ein World Model: Es sagt voraus, welcher Umgebungszustand auf eine Aktion folgt. Es löst die Aufgabe also nicht selbst, sondern simuliert die Umgebung, in der die Aufgabe stattfindet. Übertrifft Qwen-AgentWorld wirklich GPT-5.4? Auf dem AgentWorldBench ja, mit 58,71 zu 58,25 im Gesamtwert. Der Vorsprung ist aber knapp, gilt für die nicht-offene 397B-Variante und misst die Qualität der Umgebungssimulation, nicht das Lösen von Aufgaben. Ist das Modell Open Source? Teilweise. Qwen-AgentWorld-35B-A3B und der Benchmark AgentWorldBench stehen unter Apache-2.0 auf Hugging Face und ModelScope. Die größere 397B-A17B-Variante ist nicht als Open-Weight-Modell verfügbar. Läuft Qwen-AgentWorld auf einer einzelnen Consumer-GPU? Laut einem Hacker-News-Bericht läuft die 35B-A3B-Variante auf einer RTX 4090 (24 GB) mit etwa 150 Token pro Sekunde im Format Q4KM. Das ist ein Community-Wert; offiziell dokumentiert sind SGLang und vLLM, typischerweise mit mehreren GPUs. Ist Qwen-AgentWorld ein „echtes" World Model? Das ist umstritten. Im RL-Sinne meinen World Models oft Nicht-LLM-Architekturen mit latenten Dynamiken. Qwen-AgentWorld bleibt ein textuelles Sprachmodell, dessen Trainingsziel aber von Anfang an die Umgebungsmodellierung ist. Ob das den Begriff rechtfertigt, ist eine Definitionsfrage. Wofür brauche ich das in der Praxis? Für zwei Dinge: andere Agenten komplett in der Simulation trainieren (Sim RL), ohne echte Systeme zu belasten, und die geplanten Aktionen eines Agenten gegen einen simulierten Folgezustand verifizieren, bevor sie real ausgeführt werden.

Fazit

Qwen-AgentWorld ist ein Meilenstein, aber nicht das Endziel. Der eigentlich interessante Punkt ist nicht, dass eine 397B-Variante GPT-5.4 um 0,46 Punkte schlägt, sondern der Paradigmenwechsel: weg von Agenten, die blind handeln, hin zu Modellen, die den Folgezustand einer Aktion vorhersagen. Dass das kleine, offene 35B-Modell allein durch World-Model-Training um +8,66 Punkte zulegt und auf einer einzelnen GPU läuft, macht den Ansatz für Entwickler greifbar. Die Grenzen bleiben real: Drift, GUI-Schwäche, das geschlossene Spitzenmodell und eine ungeklärte Simulationstreue über lange Ketten. Wer tiefer einsteigen will: Wie autonome Agenten heute Code schreiben, zeigt der Ralph Wiggum Loop. Warum Agenten künftig direkt mit dem Web sprechen, erklärt WebMCP und das Ende des Screen-Scrapings. Die Infrastruktur dahinter beleuchtet Was ist ein AI Harness, die lokale Modell-Perspektive Claude Code lokal mit Gemma 4 und Ollama, und den breiteren Open-Source-Trend GLM-5.2. Verifizierte Quellen: Qwen-AgentWorld GitHub-Repository (https://github.com/QwenLM/Qwen-AgentWorld), Technical Report (arXiv:2606.24597 – https://arxiv.org/abs/2606.24597), Hacker-News-Diskussion (https://news.ycombinator.com/item?id=48654351) sowie Community-Videos. Benchmark-Daten basierend auf der offiziellen AgentWorldBench-Tabelle.