Agent 编辑式世界模型：为 LLM Agent 重新思考世界建模

论文提出 Agent-Editing World Model（AEWM），不再让语言世界模型预测工具返回结果，而是建模推理与动作如何影响任务进度。它用 Action Judge 区分 Critical、Exploratory、Noisy 决策，用 State Revision 编辑历史中的噪声推理—动作片段，并以 EditAct 与真实执行结合。在 Search、Terminal、Software Engineering 上经 mid-training 和 SFT 训练，Action Judge 达 70.5% macro-F1，超过最强基线 10.6 分；六个基准、三个 agent backbone 上平均提升 3.2–6.7 分。

此前语言世界模型多把重心放在预测环境观察或工具响应，但真实反馈可用时这类重建价值有限，且历史中的错误假设会持续污染后续决策。该工作把世界模型目标从模拟工具输出转为编辑任务状态，直接回应了 task-state contamination 这一失败模式。

机制上，AEWM 认为 Agent 的瓶颈不是缺少工具响应模拟，而是历史中不受支持的假设和过期计划持续影响后续推理。Action Judge 将决策分为关键、探索和噪声三类，State Revision 对同一观察历史下的噪声推理—动作续写进行编辑，EditAct 再把编辑结果接入真实执行，从而改变后续决策所依赖的状态，而非只给出评论。

对 Agent 产品而言，这意味着可以在不重建工具返回的前提下，对长时程任务的历史上下文做筛选与修正，降低错误计划累积带来的退化。研发上可把 Action Judge 与状态修订作为可训练模块接入现有 agent 流程，并可能减少对高保真环境模拟的依赖，但证据未给出具体成本与延迟数据。

• 在长时程 Agent 流程中加入决策分级模块，区分关键动作、探索动作与噪声动作，优先保留关键决策历史。
• 对多轮工具调用记录做状态修订，自动清理未被证据支持的假设与过期计划，减少上下文污染。
• 复用论文的 EditAct 思路设计可验证的轨迹筛选流程，用于内部 Agent 微调数据清洗与拒绝采样。

• 论文中的 Action Judge 基准、六个基准与三个 agent backbone 具体是什么，证据未列出。
• AEWM 在真实生产环境中的延迟、token 成本与工程改造量尚未给出。
• State Revision 编辑历史后是否会丢失有价值的探索性信息，证据未讨论。
• AEWM-RFT 与 Self-RFT 的完整对比数据及适用边界尚不明确。