从轨迹到 Agentic Worlds
提出用世界模型智能体替代可执行环境进行有状态仿真。
为什么重要
为缺少原始系统的 LLM Agent 训练与评测提供可复用环境仿真思路。
阅读原文arxiv.org
AI 解读（根据原文生成）
论文探索 agentic language world modeling：在原始系统不可访问或难以复现时，不重建可执行环境，而让世界模型智能体作为任务智能体的环境，提供忠实且有状态的仿真。作者提出学习无关框架 Trace2Env，将历史交互轨迹重构为可复用的 environment worldbook，包含环境 schema、grounded evidence 和归纳出的行为知识；运行时结合持久 episodic state 推断动作观察与状态影响。代码和项目页已给出。
要点（AI 据原文整理，数字均已与原文核对）
- Across nine environments, Trace2Env improves both next-observation fidelity and long-horizon interaction consistency over conventional prompt-based LWMs.
- In multi-turn interaction, task agent actions generated against Trace2Env remain valid more often when replayed in the real environment.
- Code: https://github.com/ruyue0001/trace2env.
- Project page: https://quanyulong.net/trace2env/.
