结论

中国人民大学高瓴人工智能学院团队在 Asia/Shanghai 9月24日首次公开预印本Agent-Editing World Model，针对长程智能体中无依据假设与过时计划滞留历史导致的任务状态污染问题，提出不再预测高熵工具返回、而是判断并改写当前推理动作延续的智能体编辑世界模型。作者报告，AEWM在自建3000决策动作裁判基准上达70.5%宏F1，超最强前沿基线10.6个百分点；集成执行的EditAct在六个基准与三个智能体骨干上平均提升3.2至6.7分。以上为作者在受控条件下的结论，为预印本v1未经同行评审，也未经本站独立验证，不应视为通用能力保证。

方法与评估条件

论文提交记录为2026年9月23日17时18分26秒UTC，对应北京时间2026年9月24日01时18分，收录于arXiv 9月24日cs.CL与cs.AI新公告批次，全文HTML标注Date为Sep.24,2026，满足当日首次公开门槛。研究对象是搜索、终端与软件工程三域的长程大模型智能体。AEWM包含两项能力：动作裁判将当前历史加提议推理动作判为关键、探索或噪声三类，状态改写仅对判为噪声的延续从同一历史生成新的推理与动作。EditAct据此保留 productive 决策、改写噪声决策，再在真实环境执行并将真实观察写回历史。训练分两阶段：约52B token的中期训练积累交互知识，再以12万条精选样本监督微调激活判断与改写；裁判基准为三域均衡的3000决策，主评测为六个基准与Qwen3.5-4B、Qwen3.5-9B、Qwen3.5-35B-A3B三个骨干，对比ReAct与步骤级及轨迹级Best@3。

主要结果

作者称，在动作裁判上AEWM以70.5%宏F1全面超过所比前沿模型，较最强基线高10.6分。在任务执行上，EditAct在全部六个基准与三个骨干上超过最强基线，对Qwen3.5-4B、9B、35B-A3B的平均增益分别为6.7、5.2与3.2分。作者进一步将验证过的EditAct轨迹用于拒绝采样微调，所得AEWM-RFT在三域上较Self-RFT提升2.2至2.6分，且推理时无需在线AEWM指导。消融显示增益超出候选选择：EditAct超过智能体重采样与推理提示，支持直接替换当前延续优于仅给批评再生成。结论限作者的基准划分、裁判口径与冻结实现，属作者主张而非独立验证事实。

  • AEWM以动作裁判区分关键、探索与噪声决策，对噪声延续做推理加动作双改写，EditAct改写后执行真实工具而非仿真观察；在搜索、终端与软件工程三域3000决策基准上达70.5%宏F1，超最强基线10.6分；六基准三骨干上EditAct平均提升3.2至6.7分，Qwen3.5-4B增益最高达6.7分；AEWM-RFT以验证轨迹蒸馏增益，较Self-RFT提升2.2至2.6分且可离线迁移。

局限与适用边界

本研究为预印本v1，未经同行评审，无会议或期刊接收信息，所有数字限本次冻结流水线、特定裁判量规与基线版本，需独立复现后才能确认。数据由标注智能体对验证轨迹做回合级标注并经一致性、有效性与多样性过滤合成，三分类定义与阈值含主观假设，标注偏差会传导至结论。评测限搜索、终端与软件工程三域、六个基准与Qwen3.5系列骨干，未覆盖网页多模态、真实企业系统与长周期部署，不得推广为任意智能体的普遍提升。训练需52B token中期训练与12万精选样本，成本与数据构造细节影响可复制性；真实部署的延迟、工具风险与长程稳定性尚未验证。

是否同行评审与潜在意义

截至核验时，该工作状态为预印本，arXiv页面明确为v1，无接收信息，编辑将其归为预印本而非已获同行认可的事实。若后续能被独立复现，其意义在于为长程智能体提供一条可操作路径：先以轻量裁判拦截噪声延续再执行，而非重建高熵搜索结果与终端输出；沉淀的修正轨迹还可经拒绝采样内化为模型能力，减少在线依赖。实际采用仍需在自有任务分布上重测裁判精度与任务增益，并单设人工复核与工具权限护栏。中国读者参考时可注意作者团队来自国内高校，三域划分与Qwen骨干与国内生态接近，但迁移前仍需重估。