Agentic World Modeling 通过只读查询实现共享环境下的 Agent 测试时扩展

该论文提出 Agentic World Modeling (AWM) 方法，旨在解决现有测试时扩展（TTS）在真实部署中因环境不可复制、存在副作用或状态冲突而无法并行执行多条候选轨迹的问题。AWM 将下一个观测值的预测重构为多轮证据获取任务，使智能体模拟器能够针对每个假设动作，通过安全只读接口向真实环境发起自适应查询，基于返回的证据和可执行计算构建结果观测，且不修改共享状态。

实验数据显示，在 τ-bench、AppWorld 和 OfficeBench 三个基准上，集成 AWM 的 TTS 方案平均比单次模拟基线高出 40.07%，并超越训练过的世界模型基线 12.36%。这一结果证明了交互式、基于真实数据验证的模拟是共享且不可重置环境下安全可扩展 Agent 测试时扩展的可行基础。文中未提及具体的模型架构细节或训练数据规模，仅强调了其作为通用框架在特定场景下的性能提升。

事实层面，该方法确实通过只读接口实现了非破坏性的环境交互；推断层面，这种机制可能降低对高保真环境复刻器的依赖，从而减少工程成本；猜测层面，该方法在处理高度动态或需实时反馈的复杂工作流时的泛化能力仍需更多领域验证。