AREX Feed Article
Sora 之后，世界模型该往哪走？上海AI Lab、浙大、NUS 提出 World Proxy 新范式：6 种代理功能 × 3 层赋能，让 Agent 学会自我进化
世界模型的价值不该用像素衡量，而该看它让 Agent 变强了多少。
2024 年初 Sora 引发的「世界模拟器」讨论至今未歇。从 Genie 到 Genie 3，生成式世界模型的迭代始终围绕着同一个问题：？
上海 AI Lab KnowledgeX 实验室、浙江大学 APRIL 实验室与新加坡国立大学（NUS）LV-Lab 联合团队在 2026 年 8 月 10 日发布的一篇立场论文中给出了不同的答案。他们提出「以 Agent 为中心」的交互式世界代理（World Proxy）范式，主张世界建模的未来不是预测得更准，而是更好地服务 Agent。这篇题为 Quo Vadis, World Modeling? 的论文，系统定义了六种代理功能形态和三个赋能层级，为世界模型研究提供了一份从预测世界转向服务 Agent 的系统路线图。
论文标题：Quo Vadis, World Modeling? Towards Interactive World Proxies for Continually Improving Agents 论文链接： 项目页面： 开源地址： 核心贡献：将世界建模从物理状态预测转向信息迁移（information transition）预测，系统化定义 6 种代理功能 × 3 层赋能的设计空间，并整理 197 篇相关文献的阅读清单。
传统世界模型卡在了哪里
一个真正能持续进化的 Agent，不能只靠静态的监督数据——它需要通过交互获取反馈，把每一次成功和失败都转化为下一次尝试的动量。但直接与真实环境交互，代价太大。
列出了四大瓶颈。
成本高、速度慢：机器人反复试错会造成设备磨损，数字 Agent 大规模采样消耗大量计算资源。
错误操作难以回滚：网页 Agent 可能误点提交或删除，自动驾驶车辆一旦出错后果不可逆。
反馈滞后且被动：真实环境只返回已发生的结果，无法帮 Agent 预判多步之后的局面。
难以并行化：物理机器人平台数量有限，在线服务和用户环境也难以批量复制。
传统世界模型试图在 Agent 和真实环境之间架一座桥。它的经典定义是一个状态转移模型：给定当前状态和动作，预测下一个物理状态。从最早的 Dyna 架构到 Dreamer、TD-MPC2，再到以 Sora 为代表的视频生成模型，这条线一直在追问同一个问题：「下一步会看到什么？」
但对一个需要做规划、调用工具、检索记忆、验证方案的 Agent 来说，「下一步物理状态」远远不够。它还需要知道：执行这段代码会返回什么？这个计划是否安全？以前有没有人踩过类似的坑？当前任务有哪些可复用的技能？
「传统世界模型捕捉的只是 Agent-世界交互中的一种机制，不是全部。」
六种代理功能：世界代理能返回什么
研究团队将世界代理的能力拆分为六种功能形态，每种回答 Agent 的一个具体问题：
动力学（Dynamics）代理最接近经典世界模型——给定当前状态、历史观察和动作，预测未来的环境变化，必要时也预测奖励。它回答「执行这个动作后，环境会变成什么样」。
空间（Spatial）代理关注视角切换：Agent 查询新的位置、相机位姿或观察角度，代理返回对应的视觉表征。让 Agent 在移动前先「看一眼」。
执行（Execution）代理模拟数字环境的返回结果。它预测代码、命令、网页点击、API 或工具调用后的状态变化，以及 stdout、stderr、错误信息和页面变化。一个网页 Agent 在点击「购买」之前，可以先让执行代理「想象」结果页面——如果页面显示错误或意外扣款，Agent 可以在不触及真实网站的前提下修改计划。
记忆/经验（Memory/Experience）代理从过往交互、轨迹和失败案例中检索相关信息。Agent 不需要记住所有历史，只需在决策时查询「当前情境下，过去哪些经验值得参考」。
技能（Skill）代理根据目标、上下文和环境状态，推荐可复用的技能、工具使用流程或动作先验。它让 Agent 不必每次都从零开始规划。
奖励/验证（Reward/Verification）代理评估 Agent 的行为、轨迹、答案或计划，输出奖励信号、批评、偏好排序或验证结论。它回答「这样做对吗？安全吗？怎么改进？」
六种形态在实际应用中常被组合使用。论文整理了一份将 197 篇相关工作按六种代理功能逐一归类的，为后续研究提供了清晰的分类学参照。
三层赋能：同一个代理，三种角色
六种功能回答了「世界代理返回什么」，三个赋能层级则回答了「世界代理如何让 Agent 变得更强」。
论文刻意借用了 Chu 等人提出的 L1-L3 缩写，但赋予了完全不同的含义——从评判世界模型自身的预测能力，转向衡量世界代理对 Agent 的赋能深度。
L1：推理时引导（Inference-Time Guidance）——最轻的介入。世界代理不修改 Agent 参数，只在推理时提供记忆检索、执行模拟或验证反馈，并入当前上下文。Agent 发起查询，代理返回引导，Agent 据此决策。成本低、可回滚，但上限受限于 Agent 的已有能力。
L2：训练时优化（Training-Time Optimization）——代理的作用从当前决策延伸到策略训练。它处理 Agent 的 rollout，为轨迹打分、指出失败原因、生成合成轨迹或偏好对，也可以根据失败模式生成新的训练任务。这些信号被用于 SFT、DPO、PPO 或 GRPO 等训练，让 Agent 自己的交互过程成为优化策略的燃料。
L3：Agent-代理共同演化（Agent-Proxy Co-Evolution）——介入最深的一层。真实轨迹、失败案例和新发现持续回流到世界代理中，使其随环境和任务更新；更新后的代理再反过来引导、验证和训练 Agent。两者在闭环中互相更新，共同提升。
论文用一个网页 Agent 的完整案例串联了三个层级。L1 阶段，Agent 在执行购买前先让代理「想象」结果页面；L2 阶段，这些想象的 rollout 被评分、回放为合成轨迹和偏好对，在真实交互无法达到的规模上优化策略；L3 阶段，Agent 部署后的真实轨迹回流到代理中，重新训练代理，而更精准的代理又产出更好的引导和训练信号——每一轮循环都在缩小 Agent 的想象与真实网页行为之间的差距。
「同一个 Agent，同一种代理功能，三层递进角色：顾问、老师、伙伴。」
四条未解决的挑战
论文最后一章列举了 World Proxy 范式当前面临的四个开放问题。
第一，反馈的逼真度和长期可靠性。生成结果可能看似合理，却违反实际动力学规律；错误还会在长轨迹中不断累积。未来需要关注长轨迹预测、误差传播和不确定性校准，而不仅仅是生成更逼真的像素。
第二，Agent 难以判断何时信任代理。过度依赖世界代理，可能导致难以及时发现的错误。需要加强置信度评估、风险感知和真实环境回退机制——把代理当神谕用，等于邀请无声的失败。
第三，奖励 hacking 和安全风险。当世界代理充当奖励模型或验证器时，Agent 有动机利用其判断盲点。降低交互成本的同一套机制，也打开了新的攻击面。
第四，信息增益缺乏统一的评估标准。现有基准更多关注真实感、可控性、预测准确率或人类偏好，却往往将世界代理与 Agent 分开评估。论文呼吁建立以 Agent 为中心的评测体系：不去问预测有多准，而去问反馈是否真的帮 Agent 规划得更好、学得更快、进化得更持续。
论文结尾给出了一个判断：「未来几年最有价值的世界模型，评判标准将不再是它们做梦有多逼真，而是它们让查询自己的 Agent 变强了多少。」