Учёные предложили перенастроить модели мира: не физика, а обратная связь для ИИ-агентов

Авторы отталкиваются от наблюдения, знакомого всем, кто строит агентные системы: чтобы агент продолжал совершенствоваться после обучения на статичном датасете, ему нужна обратная связь от взаимодействия со средой, а прямое взаимодействие с реальным миром, дорогое, медленное, небезопасное и плохо поддаётся распараллеливанию. Моделирование мира даёт агенту, по формулировке авторов, естественный промежуточный «прокси»: агент может получить через него более дешёвую и более контролируемую обратную связь, прежде чем совершить реальное действие. Классические модели мира реализуют этот прокси прежде всего через предсказание будущих физических состояний, формулировку полезную, но, как пишут авторы, узкую для агентов, которым нужна обратная связь, дающая основание для конкретного действия, а не просто голые переходы состояний.

Коллектив из 20 авторов во главе с Юй Яном опубликовал 3 августа 2026 года на Hugging Face работу «Quo Vadis, World Modeling?» («Куда движется моделирование мира?»). В ней они формулируют понятие «агентоцентричных интерактивных прокси мира» (Agent-Centric Interactive World Proxies) и смещают фундаментальную парадигму от переходов физических состояний к переходам полезной для агента информации: результатам выполнения действий, извлечённому опыту или навыкам, сигналам проверки. По замыслу авторов, это расширяет само назначение моделирования мира: оно должно давать агенту разнообразную, а не только физическую, обратную связь.

Чтобы систематически описать это пространство решений, авторы делят прокси мира на шесть функциональных форм по типу обратной связи: прокси динамики (dynamics), пространства (spatial), исполнения (execution), памяти и опыта (memory/experience), навыков (skill) и вознаграждения/верификации (reward/verification). Вместе, как пишут авторы, эти шесть форм описывают основные способы, которыми моделирование мира помогает агенту совершенствоваться; что именно входит в каждую из шести форм, аннотация не детализирует.

Дальше авторы разбирают, как эти прокси расширяют возможности агента на трёх последовательных уровнях. Уровень 1, «подсказки на этапе вывода» (Inference-Time Guidance): выход прокси обогащает информацию в контексте агента, что ведёт к более качественным решениям. Уровень 2, «оптимизация на этапе обучения» (Training-Time Optimization): выход прокси превращается в награды, критику или синтетические траектории (rollouts), на которых обучается политика агента. Уровень 3, «совместная эволюция агента и прокси» (Agent-Proxy Co-Evolution): данные из реальной среды непрерывно обновляют и прокси, и самого агента, так что они развиваются вместе.

В итоге, как заявляют авторы, работа переосмысляет моделирование мира в агентоцентричной парадигме и задаёт дорожную карту для построения таких прокси, которые помогут агентам лучше планировать, быстрее учиться и непрерывно развиваться. Статья концептуальная: она вводит таксономию и рамку рассуждения, но не описывает собственных экспериментов, бенчмарков или количественных результатов и не называет ни одного реального агента или продукта, который уже реализует такую архитектуру.

Ключевые факты

Коллектив из 20 авторов во главе с Юй Яном опубликовал 3 августа 2026 года на Hugging Face концептуальную работу «Quo Vadis, World Modeling?», 30 голосов сообщества и 2 комментария на момент подготовки материала.
Авторы вводят понятие «агентоцентричных интерактивных прокси мира» (Agent-Centric Interactive World Proxies): вместо предсказания будущих физических состояний прокси должен давать агенту результаты выполнения действий, извлечённый опыт или навыки и сигналы проверки.
Прокси мира разделены на шесть функциональных форм по типу обратной связи: динамика, пространство, исполнение, память/опыт, навыки, вознаграждение/верификация.
Эти прокси расширяют возможности агента на трёх уровнях: подсказки на этапе вывода (L.1), оптимизация на этапе обучения через награды и синтетические траектории (L.2), совместная эволюция агента и прокси на данных из реальной среды (L.3).
Работа концептуальная: она не описывает собственных экспериментов, бенчмарков или количественных результатов и не называет ни одного продукта или агента, уже реализующего такую архитектуру.

Почему это важно

Авторы отталкиваются от наблюдения, знакомого всем, кто строит агентные системы: чтобы агент продолжал совершенствоваться после обучения на статичном датасете, ему нужна обратная связь от взаимодействия со средой, а прямое взаимодействие с реальным миром, дорогое, медленное, небезопасное и плохо поддаётся распараллеливанию. Модели мира, естественная более дешёвая замена реальной среде, но классически их строят почти исключительно как предсказатели будущих физических состояний: что произойдёт с объектами дальше, а не что делать агенту дальше. Эта работа предлагает системный сдвиг самой постановки вопроса: не «как точнее предсказать физику», а «какая именно информация нужна агенту, чтобы действовать и учиться», результаты выполнения, релевантный прошлый опыт, готовые навыки, сигнал о том, правильно ли он поступил. Авторы сами называют статью дорожной картой для этого сдвига, а не отчётом о готовом решении.

Кому это важно

В первую очередь, исследователям, которые проектируют модели мира и агентные архитектуры: работа предлагает общий словарь (шесть форм прокси, три уровня применения) для того, что в разных лабораториях часто называют по-разному и развивают разрозненно. Полезна она и командам, которые обучают агентов через обучение с подкреплением: уровень L.2 прямо касается того, как прокси мира может генерировать награды, критику и синтетические траектории для обучения политики агента вместо того, чтобы каждый раз проигрывать эпизод в реальной среде. Адресована работа и тем, кто строит агентов для сред, где реальное взаимодействие особенно дорого или рискованно, робототехника, автономный транспорт, сложное ПО, то есть именно там, где авторская мотивация («дорого, медленно, небезопасно, плохо параллелится») ощущается острее всего.

Как это применить

Готового кода, библиотеки или бенчмарка сама статья не поставляет, это концептуальная работа, а не релиз инструмента. У неё есть сопроводительная страница проекта и репозиторий на GitHub (worldbench/awesome-agentic-world-model, 29 звёзд на момент чтения страницы); судя по названию репозитория, это курируемый список статей и материалов по теме, а не готовый код. Практическая ценность работы для инженерных команд, которые уже строят агентные системы, не инструмент, а чек-лист: можно явно спросить про свою систему, какие из шести форм обратной связи (динамика, пространство, исполнение, память/опыт, навыки, вознаграждение/верификация) она вообще даёт агенту и на каком из трёх уровней, подсказки при выводе, обучение политики или совместная эволюция агента и прокси, эта обратная связь используется.

Можно ли доверять

Материал, препринт, оформленный как запись в разделе «Papers» на Hugging Face: 30 голосов сообщества и 2 комментария на момент подготовки материала. Место публикации за пределами arXiv/Hugging Face, конференция или журнал, не указано, значит независимое рецензирование неизвестно. Список из 20 авторов, где первым значится Юй Ян, указан в метаданных страницы, сама аннотация имена не перечисляет. К записи также прикреплён организационный бейдж Shanghai AI Laboratory, но аннотация место работы авторов не называет, это метаданные площадки, а не подтверждённая в тексте статьи аффилиация, поэтому здесь она не утверждается как факт про авторов. По содержанию это концептуальная, а не эмпирическая работа: она вводит таксономию и рамку рассуждения, но не приводит ни одного эксперимента, бенчмарка или количественного результата, оценить пользу шести форм и трёх уровней на практике по самой статье не с чем.

Риски и подводные камни

Главный риск для читателя, принять предложенную рамку за уже проверенный или внедрённый подход: статья не называет ни одного реального агента, продукта или системы, которая уже реализует архитектуру из шести прокси и трёх уровней, это предложение и дорожная карта, а не отчёт о внедрении. Работа опубликована 3 августа 2026 года, поэтому независимой проверки, повторения или критики предложенной таксономии со стороны других исследователей на момент подготовки материала попросту ещё не могло появиться. Есть и более общий риск таксономических статей: деление на шесть форм и три уровня может оказаться удобной рамкой для разговора, но не обязательно предсказывает, какая конкретно архитектура прокси будет лучше работать на практике, авторы предлагают это проверить, а не заявляют, что уже проверили.