像开发软件一样造世界，Agent2World来了，把世界模型做成可运行的符号环境

让模型真正“能行动”，往往需要一个可执行、可验证的符号世界模型（Symbolic World Model）。它并非抽象的文字描述，而是能被规划器或执行器直接调用的形式化定义，例如PDDL领域/问题，或可运行的环境代码/模拟器。一旦世界被“写成可运行的规则”，我们就能在同一套约束下进行推演、测试与复现：模型不再停留在“会说”，而是能回答“如果我这样做，会发生什么”，并用执行结果检验自己是否真的理解了这个世界。

然而，现有自动生成路线普遍陷入三重困局：脚本式工作流、知识边界封闭、表示覆盖单一。许多方法仍沿用固定的“生成—修复”脚本，并以解析/规则匹配/固定检查集等静态校验为主。它们或许能修复语法与格式错误，却常常抓不住只有在交互执行中才暴露的行为级错误，例如状态更新不一致、目标不可达或奖励机制失效。同时，当任务规格含糊、缺失关键规则或背景常识时，系统缺少主动检索与补全机制，只能依赖模型记忆“猜”。更关键的是，既有研究往往只覆盖一种世界模型表示（只做PDDL，或只做可执行代码），导致同一任务难以在不同符号表达之间共享验证闭环与改进经验，限制了方法的通用性与可扩展性。

为攻克这一难题，研究团队提出Agent2World：一个工具增强的多智能体框架。它通过“知识合成→世界模型实现→评估驱动精炼”的三阶段闭环，将“查资料补规格、写实现、交互测试纠错”内化为可复用的生成范式，从而稳定产出高可执行、可验证的符号世界模型。

实验结果显示，Agent2World在Text2World（PDDL）、CWMB（MuJoCo）和ByteSized32（文本游戏）三大基准上均实现了SOTA性能。更关键的是，该框架展现了可持续改进潜力：基于Agent2World生成的高质量轨迹进行监督微调后，模型性能显著跃升——与训练前的同一模型相比，平均相对性能提升了30.95%，有力证明了其作为高质量世界模型数据合成引擎的工程与研究价值。

• 论文地址：https://arxiv.org/abs/2512.22336
• 项目地址：https://agent2world.github.io/
• 模型地址：https://huggingface.co/agent2world/llama3.1_8b_instruct_full_sft_v1_3_epoch
• 代码地址：https://github.com/DeepExperience/agent2world

一、深层归因：为何传统“脚本式”生成难以为继？

在Agent2World之前，自动生成世界模型的主流方案常采用固定的“草稿—修复”脚本：生成代码→运行出错→根据报错修改代码。它能修复语法错误，但很难保证“跑起来”的世界模型在行为上是正确的。

• 被动脚本的死循环：缺乏前瞻性规划，复杂任务中常陷入“修复一个bug引出新bug”的低效迭代。
• 规格缺口带来的幻觉：当任务描述不完整时，模型往往只能依赖记忆“猜测”规则边界、接口细节与隐含前提，导致生成的世界模型看似能运行，实则逻辑不自洽。
• 表示覆盖单一的“符号孤岛”：既有研究往往只覆盖一种世界模型表示——要么偏向PDDL的形式化规划，要么偏向可执行环境代码。两条路线各自为战，生成、验证与修复经验难以在不同符号表达之间共享与迁移，同一问题往往需要重做一套流程，最终限制了方法的通用性与可扩展性。

归根结底，难点不只是“写出代码”，而是要在真实约束下稳定产出可执行、可复现、可迭代的世界模型；而“脚本式流程+单一表示覆盖”的组合，正是阻碍这一目标的核心瓶颈之一。

二、方法拆解：把“软件开发团队”装进模型里

Agent2World的核心并非简单地“多拉几个智能体聊天”，而是将世界模型生成拆解为软件工程式的三阶段：研究员补全规格、开发员实现、测试团队通过单元测试与仿真交互进行行为级验收，并将验收反馈反哺至修复过程。

1. Deep Researcher：主动打破知识壁垒

现实任务往往信息不完备：目标相对清晰，但规则边界、参数范围、动作约束与接口细节并不完整。在不确定性与知识缺口的叠加下，极易导致事实性错误与幻觉。Deep Researcher首先将任务描述分析并拆解为一组待澄清的问题（例如：允许的动作集合、状态变量定义、终止条件、异常情况与边界输入等）。它配备了网络搜索和检索工具，能够迭代地从互联网检索构建世界模型所需的知识，并最终输出一个结构化的中间表示，其中缺失的信息已得到补充。

2. Model Developer：统一跨模态表达

在获得补全后的规格后，Model Developer负责生成目标世界模型（例如PDDL域/问题，或可执行的环境代码）。这一阶段不以“写得像”为目标，而以“能执行、接口连通、与规格一致”为硬约束。

因此，Developer会在受控沙盒中进行基础运行检查与增量修复：一方面保证文件组织、函数签名、依赖与调用链正确；另一方面确保状态转移、动作前置条件与效果、终止判定等核心逻辑与规格对齐。该阶段的输出是一个可以被执行器/规划器直接调用的环境实例。

3. Testing Team：双重防线杜绝幻觉

这是框架中的关键组成部分。不同于以往依赖静态验证器的方法，Testing Team引入了动态的、行为级的双重验证机制，专门捕捉只有在交互中才会暴露的逻辑错误。

• Unit Tester：自动分析代码结构，生成Pytest风格的单元测试用例。重点验证接口契约、谓词逻辑和不变式。例如，检查step()函数返回的状态维度是否与定义一致，或PDDL中的动作前置条件是否完备。
• Simulation Tester：这是一个基于ReAct框架的智能体，以交互方式在环境中采集轨迹并诊断深层问题，如动力学错误——例如“机器人执行了移动动作但坐标未更新”、“奖励函数在达到目标后未正确触发”或“状态转移违背物理常识”。

一旦发现问题，Testing Team会输出包含错误分析和修复建议的结构化报告，驱动Developer进行针对性修复，直到通过所有测试或达到收敛条件。

进阶：从推理到训练，构建“自进化”的数据飞轮

Agent2World的价值远不止于一个推理框架，它本质上是一个全自动的高质量数据合成引擎。研究团队通过“任务合成—轨迹筛选—经验蒸馏”的严密流程，将多智能体协作中的有效修复策略蒸馏为单体模型的生成与修复偏好。

• 数据合成：为了避免数据泄露并提升泛化性，团队并未直接使用测试集题目，而是自主合成了大量涵盖不同领域的全新任务。在此基础上，系统利用“验证器引导的拒绝采样”机制，从海量生成结果中筛选出1526条既通过沙盒运行、又通过双重测试校验的轨迹。这套数据集完整记录了Developer从错误代码到修复成功的高密度轨迹，为模型提供了极高价值的逻辑纠错样本。

三、实验验证：横扫三大基准，验证“数据飞轮”效应

Agent2World 在 Text2World（PDDL）、CWMB（MuJoCo 可执行模拟器）和 ByteSized32（文本游戏环境）三大基准测试中均取得了领先表现。

1. Text2World (PDDL)：从“能跑”到“懂逻辑”的显著提升

以 GPT-4.1-mini 为底座，在 PDDL 代码生成基准中，Agent2World Multi 显著降低了代码“跑不通”的失败率，实现了 93.1% 的代码可执行率，相比强基线 Text2World ($EC=3$) 提升了 14.9 个百分点。更重要的是，其在衡量语义正确性的 Component-wise F1 指标上达到了 75.4（基线为 60.1），提升幅度达 15.3 分。这表明模型不再机械模仿语法，而是更深刻地理解了谓词约束与逻辑门控，能够生成语法正确且具备可解性的高质量规划域。

2. CWMB (MuJoCo)：不仅预测得准，更要“好用”

CWMB 同时评估仿真代码的动力学预测准确度与作为世界模型支撑下游规划/控制任务的能力。在 GPT-4o-mini 上，Agent2World Multi 的整体归一化回报达到 0.4811，相比此前最强基线 GIF-MCTS 的 0.3488 提升了 +0.132；在离散动作空间的预测准确率上与强基线持平。这说明性能提升源于模型实现了“可用于规划的行为级一致性”，而不仅仅是下一帧预测相似度的提高。

3. ByteSized32 (Text Games)：常识推理与物理现实的高度一致性

在极度依赖常识推理的文本游戏环境中，Deep Researcher 的主动知识检索发挥了关键作用。Agent2World Multi 在核心指标“物理现实对齐度”上取得了 0.4768 的高分，相比单智能体版本大幅提升了 0.2848。此外，其生成的游戏代码初始化成功率接近 99%。这些数据表明，通过引入外部知识与多轮测试，模型成功消除了大量违反常识的“物理幻觉”，生成了逻辑严密且稳定的文本环境。

4. 模型微调实验

基于自主合成的高质量轨迹数据，团队对 Llama-3.1-8b-instruct 进行了监督微调。实验表明，这种“以智能体养模型”的策略带来了显著的泛化能力提升：微调后的模型在未见过的测试任务上，平均相对性能提升了 30.95%。在 Text2World 任务中，模型生成的代码可执行率提升高达 16.9%。这证明，无需依赖昂贵的超大模型，仅凭小参数模型配合优质的“自我修正”合成数据，也能实现向高性能世界模型构建者的跨越。

5. 消融实验：缺一不可的双引擎

为了探究 Agent2World 卓越性能的来源，团队在 CWMB 任务上进行了组件消融实验。结果证实，Deep Researcher 与 Testing Team 均是构建高可靠世界模型不可或缺的组件：
* 移除 Deep Researcher（知识引擎缺失）：模型生成的模拟器在整体归一化回报上出现显著下滑。这表明，缺乏对物理参数与 API 规范的主动检索时，模型定义的环境规则会出现“失真”，导致下游智能体无法学习到有效的策略。
* 移除 Testing Team（测试引擎缺失）：移除单元测试器后，离散动作空间的预测准确率显著下降约 30%；移除模拟测试器，准确率也同比下降约 3%。这揭示了一个关键发现：“能运行”不等于“物理正确”。没有动态交互产生的行为级反馈，模型难以修正深层的动力学错误，生成的模拟器也因此失去了实用价值。

四、结语：开启 AI 自主理解环境的新可能

Agent2World 的成功，标志着统一多智能体框架在符号世界模型生成领域的成功应用。它不仅打破了 PDDL 规划与可执行代码之间的表征壁垒，更通过“网络知识合成 – 迭代式模型开发 – 评估驱动仿真测试”的精密闭环，在无需人工标注与验收的前提下，实现了自动化的生成-测试-修复流程，从而稳定产出可执行、可复现、可迭代的符号世界模型。这一突破不仅在三大基准测试中一致性地刷新了 SOTA，更为未来 AI 系统从自然语言中可靠地理解并形式化复杂的现实环境，开辟了全新的可能性。

关注“鲸栖”小程序，掌握最新AI资讯