WildAWM：用可执行世界训练更通用的电脑操作智能体

导语

让电脑操作智能体真正具备通用性，难点不只是让模型学会点击按钮或调用 API，更在于为它提供足够丰富、可重复、又不会带来真实系统风险的交互世界。微软研究院团队提出的 Agent World Model in the Wild（WildAWM），试图把训练重点从静态人类示范转向可控环境中的持续交互。

核心要点

• 把多种操作界面放进同一个世界。 WildAWM 构建了由人物设定驱动、可跨多天演化的个人电脑环境。网站、MCP 服务和本地文件共享状态，因此智能体可以根据任务需要，在图形界面、工具服务和命令行之间切换，而不是被限制在单一接口中。
• 环境和任务都由开源模型驱动生成。 这意味着合成训练场景不依赖专有前沿模型，降低了构建大规模交互数据的门槛。更重要的是，环境是可执行的，智能体的每一步操作都能改变后续状态，因而更接近真实电脑使用中的长期规划问题。
• 用执行结果而不是文本描述筛选任务。 任务合成通常面临三个风险：任务根本无法完成、难度过低，或判定器错误地把失败当成功。WildAWM 通过不同类型智能体的实际运行、多个评审器的一致性检查，以及改变关键条件后的反事实测试，建立质量门槛，分别检验可解性、挑战性和验证可靠性。
• 长程任务成为主要考验。 研究团队发布了 341 个环境—任务组合，其中部分任务需要超过 100 个智能体步骤。材料显示，即使是前沿模型 GPT-6-Astra，也只完成了约 60%，说明这些任务并非简单的界面脚本回放。
• 合成世界带来跨场景收益。 两个不同规模的 Qwen 模型完全在 WildAWM 合成环境中训练，随后在覆盖网页、claw 与电脑操作智能体的 8 个分布外基准上测试。Qwen3.6-35B-A3B 和 Qwen3.5-4B 的平均成绩分别提升 10.58 和 8.21 个百分点。

意义与影响

WildAWM 的价值不只在于生成更多任务，而在于尝试把环境、任务和验证器组成一条闭环流水线。对于电脑操作智能体而言，真实系统数据往往涉及隐私、权限和安全风险；可控的合成世界可以提供更安全的试错空间，也便于复现失败轨迹并持续调整难度。

这项工作还提示，智能体训练的关键瓶颈可能正在从模型规模转向交互数据的质量。若任务只覆盖单一网页或单一工具，模型容易学习局部技巧；当网站、文件、工具服务和命令行共享状态时，模型必须处理记忆、规划、错误恢复与接口选择等更接近现实的问题。不过，合成环境能否长期覆盖真实世界的开放性和意外情况，仍需要更多基准与实际部署验证。WildAWM 更像是一个可扩展的实验基础设施，而不是对通用电脑智能体问题的最终答案。

来源：Hugging Face Daily Papers