Qwen-AgentWorld: โมเดลโอเพนเวตที่ "จำลองโลกของเอเจนต์" — ทำนายว่า terminal/เบราว์เซอร์/มือถือจะตอบอะไรกลับ แทนที่จะลงมือทำจริง

โมเดลโอเพนเวตส่วนใหญ่ที่ออกมาช่วงนี้คือ “เอเจนต์ที่เก่งขึ้น” — เขียนโค้ดดีขึ้น เรียกทูลแม่นขึ้น เมื่อ 23 มิถุนายน 2026 ทีม Qwen ของ Alibaba ปล่อยของที่มองกลับด้าน: Qwen-AgentWorld โมเดลที่ไม่ได้ทำหน้าที่ “ลงมือทำ” แต่ทำหน้าที่ ทำนายว่าสภาพแวดล้อมจะตอบอะไรกลับ เมื่อเอเจนต์ลงมือทำอะไรลงไป — ทีมเรียกมันว่า language world model (โมเดลโลกแบบภาษา)

พูดง่าย ๆ คือ ถ้าเอเจนต์พิมพ์คำสั่งลง terminal, คลิกปุ่มบนเว็บ, หรือแตะหน้าจอ Android — ปกติคุณต้องมี terminal/เบราว์เซอร์/อีมูเลเตอร์ “ของจริง” คอยตอบกลับว่าเกิดอะไรขึ้น Qwen-AgentWorld เข้ามาแทนตรงนี้: มันจำลอง (simulate) ว่าหน้าจอถัดไป ผลลัพธ์ถัดไป หรือ state ถัดไปควรเป็นอะไร โดยใช้การคิดแบบ long chain-of-thought แล้วทำนาย next state ออกมา

”World model” คืออะไร และทำไมนักพัฒนาควรสนใจ

ใน RL และงานเทรนเอเจนต์ ปัญหาที่แพงที่สุดมักไม่ใช่ตัวโมเดล แต่เป็น สภาพแวดล้อม — ต้องสปินอัป sandbox, อีมูเลเตอร์ Android, เบราว์เซอร์ headless, หรือ VM จริงนับพันตัวเพื่อให้เอเจนต์ “ลองผิดลองถูก” ได้ ทั้งช้า แพง และดูแลยาก

Qwen-AgentWorld เสนอทางลัด: ใช้โมเดลภาษา แทน สภาพแวดล้อมเหล่านั้น ครอบคลุม 7 โดเมน ที่เอเจนต์เจอบ่อย — MCP/tool-calling, Search, Terminal, Software Engineering, Android, Web และ OS เมื่อมี world model ที่ทำนาย “ผลของการกระทำ” ได้แม่นพอ ทีมก็สามารถ:

• รันลูป RL / self-play ของเอเจนต์ได้ โดยไม่ต้องต่อกับระบบจริง — เร็วและถูกลงมาก
• ทำ eval หรือ “ซ้อม” เอเจนต์ก่อนปล่อยลงสนามจริง
• สร้าง synthetic trajectory จำนวนมหาศาลเพื่อเทรนเอเจนต์ตัวอื่น

ทีม Qwen ออก AgentWorldBench มาเป็นเบนช์มาร์ก (พร้อมดาต้าเซ็ต) สำหรับวัดว่าโมเดลทำนาย state ของสภาพแวดล้อมได้แม่นแค่ไหนในทั้ง 7 โดเมน

สเปกที่นักพัฒนาอยากรู้

• ขนาด: 35B พารามิเตอร์รวม / active แค่ 3B ต่อ token (สถาปัตยกรรม MoE) — ต่อยอดจาก Qwen3.5-35B-A3B-Base
• ไลเซนส์: Apache 2.0 — ใช้เชิงพาณิชย์ได้เต็มที่ ไม่มีเงื่อนไขกั๊ก
• Context window: 262,144 โทเคน — ยาวพอจะใส่ trajectory ทั้งเส้นของเอเจนต์เข้าไปได้
• รันบนเครื่องตัวเอง: ด้วย active 3B และการ quantize โมเดลคลาส 35B-A3B รันบน GPU prosumer/workstation ได้จริง ไม่ต้องพึ่งคลาวด์
• เวตเปิดบน Hugging Face ที่ Qwen/Qwen-AgentWorld-35B-A3B โค้ดอยู่ที่ GitHub QwenLM/Qwen-AgentWorld และเปเปอร์อยู่บน arXiv (2606.24597)

ด้านผลทดสอบ บนตาราง AgentWorldBench รุ่น 35B-A3B ทำคะแนนรวม 56.39 ตามหน้าโมเดลการ์ด (เกาะกลุ่มหัวตาราง ตามหลัง GPT-5.4 ที่ 58.25 อยู่เล็กน้อย) ส่วนเปเปอร์ยังกล่าวถึงรุ่นใหญ่ 397B-A17B ที่ระบุว่าทำคะแนนแซง GPT-5.4 ได้ — แต่รุ่นที่เปิดเวตให้โหลดตอนนี้คือตัว 35B-A3B ซึ่งเป็นรุ่นที่คนทั่วไปรันเองได้

มุมมอง AI Curator

ของชิ้นนี้น่าสนใจตรงที่มัน “ขยับเส้น” ของคำว่าโมเดลโอเพนเวต — แทนที่จะแข่งกันว่าใครเป็นเอเจนต์ที่เก่งกว่า Qwen เลือกไปแก้คอขวดที่อยู่ “ใต้” เอเจนต์ทุกตัว นั่นคือ ต้นทุนของสภาพแวดล้อมสำหรับเทรนและทดสอบ ใครก็ตามที่เคยพยายามตั้งฟาร์มอีมูเลเตอร์ Android หรือ sandbox terminal เพื่อเทรนเอเจนต์จะรู้ว่ามันแพงและเปราะแค่ไหน — world model ที่ “พอใช้ได้” ตรงนี้เปลี่ยนเศรษฐศาสตร์ของงาน RL เอเจนต์ไปเลย

แน่นอนว่ามีคำเตือนกำกับ: world model ที่ทำนายเอง ย่อมมีโอกาส “ฝัน” state ที่ไม่ตรงกับระบบจริง การเทรนเอเจนต์บนโลกจำลองล้วน ๆ เสี่ยงกับปัญหา sim-to-real gap แบบเดียวกับที่วงการหุ่นยนต์เจอมานาน วิธีใช้ที่ปลอดภัยกว่าคือใช้มันเป็น “สนามซ้อม” ราคาถูกในช่วงต้น แล้วค่อยไป fine-tune/validate กับสภาพแวดล้อมจริงก่อนปล่อย ไม่ใช่แทนที่ของจริงทั้งหมด

สำหรับทีมไทย/SEA ที่งบ GPU จำกัด นี่คือข่าวดีที่จับต้องได้: Apache 2.0 + active 3B หมายความว่าแล็บมหาวิทยาลัย สตาร์ตอัป หรือทีมในองค์กรสามารถทดลองสร้าง pipeline เทรนเอเจนต์ของตัวเองโดยไม่ต้องจ่ายค่า sandbox คลาวด์มหาศาล และเพราะมันครอบคลุมโดเมน Terminal/SWE/Web/Android ที่ตรงกับงานจริงของนักพัฒนาไทยส่วนใหญ่ มันจึงเป็นชิ้นส่วนที่เอาไปต่อยอดได้ทันที — โดยเฉพาะถ้าคุณกำลังสร้างเอเจนต์เฉพาะทางที่ต้อง “ซ้อม” เยอะ ๆ ก่อนใช้งานจริง

แหล่งข่าว:

• Qwen-AgentWorld-35B-A3B — Hugging Face
• เปเปอร์ “Language World Models for General Agents” — Hugging Face Papers (arXiv:2606.24597)
• QwenLM/Qwen-AgentWorld — GitHub