微软研究院联合多校推出 WildAWM,这套方案不靠真实虚拟机,而是代码合成一整套自洽的虚拟个人电脑,用来批量生成跨界面、长时序的电脑智能体训练题;这批任务难度足够高,即便 GPT-6 Astra 在最多给 8 次重试机会的条件下,依然有约 27.3% 的题目完全做不出来,同时整套合成流水线全部基于开源模型,规避闭源蒸馏风险,在多个分布外基准上有效提升开源电脑智能体泛化能力。
一、WildAWM 基础信息
| 项目 | 详情 |
|---|---|
| 项目全称 | Agent World Model in the Wild(WildAWM) |
| 发布方 | 微软研究院、UNC、佐治亚理工、东北大学 |
| 核心载体 | 代码合成的完整虚拟 PC(俗称 “假电脑”) |
| 环境构成 | 文件系统、Shell、网页、邮件等 MCP 服务,GUI / CLI / MCP 三类接口打通 |
| 产出任务 | 341 道合格 XAI(跨界面)任务 |
| 训练模型 | Qwen3.6-35B-A3B、Qwen3.5-4B |
| 开源范围 | 合成流水线、环境、任务、权重、数据集 |
| 论文 | arXiv:2610.26828 |
二、“假电脑” 怎么搭建
它不是轻量单应用模拟器,而是从虚构人物人设开始搭建完整数字生活:
- 设定角色职业、联系人、日程、待办事项;
- 由代码智能体按时间线填充环境:写入本地文件、数据库记录、网页内容、邮件消息;
- 状态逐天延续,保证时间线连贯;
- 每一条时间线独立回放两次,结果一致,再交由校验智能体复核;
- 最终产出 36 个人物、合计 640 个稳定世界快照,单快照平均包含十几万条数据库记录、数十份本地文件。
重点区别于旧方案:早期合成环境大多是网页、终端、工具互相隔离,WildAWM 把三类操作入口放在同一台虚拟电脑里,任务天然要求跨界面切换。
三、跨界面 XAI 任务设计与五道筛选门槛
任务的核心要求:必须同时用到 GUI、CLI、MCP 三类接口,属于长时序多子任务。单题平均 4.2 个子任务、需要切换 3.1 次接口,七成以上任务需要回头复用之前打开过的界面,部分超过百步。
一道草稿任务要连续通过五层校验才算合格:
- 评判一致:脚本验证器、LLM 裁判、高权限核查智能体判定结果统一;
- 初始失败:不执行任何操作时,判定直接失败,杜绝天然完成的无效题;
- 可解性:至少有一组智能体配置可以成功做完;
- 难度过滤:不给提示时,三次尝试全部成功的简单题目直接淘汰;
- 反事实探针:故意注入相反结论,裁判不能被诱导改判,保证判分稳定。
2551 份草稿,最后只留下 341 道合格任务,大部分被筛在难度、一致性校验环节。
四、GPT-6 Astra 实测结果
- Pass@1(第一次尝试):约 60%;
- Pass@8(最多允许重试 8 轮):依然有 27.3% 的题目无法完成;
- 关键前提:所有题目都经过验证,确定存在可行解法,不是无解陷阱题;
- 核心痛点:这类任务考验长程规划、跨工具状态追踪、多轮操作一致性,而不是单点问答、单工具操作。
五、训练效果:只用假电脑,泛化到真实基准
研究团队把 341 题拆分,一部分做监督微调、一部分 GRPO 强化学习,保留独立验证集;训练完成后,直接在 8 个完全没见过的分布外基准做测试,覆盖 WebArena、OSWorld-Verified、CUA-Gym、ClawEval 等网页、GUI、终端智能体赛道:
- Qwen3.6-35B-A3B:平均分从 42.84 → 53.42,提升 10.58;
- Qwen3.5-4B:平均分从 21.83 → 30.04,提升 8.21;
- 能力变化:模型更愿意主动切换合适接口,在 40–120 步超长任务区间,成功率提升幅度最大;
- 边界:强化学习只能释放基座模型已有的能力,无法突破 “教师模型” 本身的上限。
六、路线价值与现存局限
- ✅ 价值:可以低成本、安全、无限批量生成交互训练环境,不用担心真机删库、外网攻击、状态难以重置;全程只用开源模型,规避闭源模型蒸馏争议,为开源智能体自迭代(RSI)提供路径。
- ⚠️ 局限:环境是合成虚拟世界,分布和真实互联网、真实桌面天然存在偏移;强化学习收益依赖基础模型底子,无法凭空创造新能力;长任务的状态追踪、记忆断层依然是主流大模型的共性短板。
【常见问题】
问题 1:WildAWM 的 “假电脑” 是虚拟机吗?
回答 1:不是传统虚拟机,是代码、数据库、网页服务共同合成的交互式虚拟电脑,不需要操作系统镜像,所有数据本地合成、不依赖外网。
问题 2:为什么 GPT-6 Astra 在这套题目上也会翻车?
回答 2:这批 XAI 任务强制跨 GUI、命令行、应用服务,属于长时序任务,需要持续追踪全局状态、来回切换工具;大模型擅长单点操作,但长流程里容易丢失上下文、搞错环境状态。
问题 3:WildAWM 生成的题目会不会本身无解?
回答 3:不会,每一道通过筛选的任务,都要求至少一组智能体配置可以顺利通关,同时多层裁判校验保证解法真实有效。
问题 4:只用在合成假电脑里训练,模型能在真实电脑评测里变强吗?
回答 4:可以,论文里两个 Qwen 模型在 8 个独立的分布外公开基准上全部拿到正向涨幅,证明合成环境学到的规划、工具切换能力可以迁移。
问题 5:这套项目全部开源,意味着可以直接拿来训练自己的电脑 Agent?
回答 5:是的,合成流水线、虚拟环境、341 道任务、数据集、训练后的 Qwen 权重都已开源,可以复现、继续扩充任务池做 RL 训练。
【数据来源】
[2026-10-27](arXiv 论文 Agent World Model in the Wild)arXiv
[2026-11-07](机器之心 / 凤凰网科技报道 WildAWM、GPT-6 Astra 测试数据)凤凰网科技
[2026-11](项目主页、HuggingFace 数据集、GitHub 仓库)MSR-Orchard 官方项目页
[2026-11](消融实验、分布外 benchmark 结果)论文补充材料
【免责声明】
本文基于 WildAWM 公开论文与配套测试数据整理;GPT-6 Astra 的通过率为该实验固定条件下的结果,会随版本、推理预算、提示词、重试策略变化;合成环境与真实桌面互联网存在分布差异,合成训练的智能体在真实场景表现仍需要单独验证;本文不构成模型选型、训练投入的决策建议。
