EMNLP 2026 论文：文本世界模型该比「行为一致」而非文本相似，假阳性率 42.5% 降至 9.5%

机器之心 · wechat · 2026-09-08

大连理工、MBZUAI、北大与微软合作的 EMNLP 2026 论文提出，文本世界模型的主流训练目标（逼近真实文本）存在「指标反转」问题：遗漏目标商品的幻觉 BERTScore 更高，却让智能体任务失败；遗漏无关商品分数更低，反而无害。

核心方法 BehR（行为一致性奖励）：冻结一个参考智能体，让它在真实状态与预测状态下对同一动作打分，两者对数概率之差作为奖励，用 GRPO 训练世界模型。不需要人工偏好标注。

实验结果：

• WebShop + TextWorld、Qwen2.5-7B/LLaMA3.1-8B 基座、4 种评测智能体共 16 组配置，13 组提升、3 组持平、无退化
• WebShop 上 Qwen3-8B 一致率从 0.345 提至 0.483，GPT-4o 从 0.760 提至 0.840
• 离线评估：TextWorld 上 Qwen3-0.6B 真实成功率 0%，基线世界模型误判 42.5% 任务为成功，BehR 降至 9.5%，一致率升至 90.5%
• 前瞻规划：帮助 Qwen3-8B 在 WebShop 成功率从 14.5% 升至 25.5%

结论：世界模型的价值不在于预测多像真实环境，而在于能否让智能体做出一致的决策行为。

原文链接 →

「编程与Agent」频道最新

• 12GB 显卡跑 MiniMax H3：60 秒无缝长视频工作流实测 — vortis23 · 2026-09-08
• GPT-6 操纵浏览器打通 Blender 与海螺 H3，一条龙产出剧画风拳击短片 — Hailuo_AI · 2026-09-08
• Tibo 再度统一重置周期，用户推演「突袭重置」博弈与 token 省法 — tinyfool · 2026-09-08
• 四个小模型合并进一台推理服务器，doc-QA agent 运维负担大减 — Sad-Razzmatazz-7657 · 2026-09-08
• 让 AI 生成测试致测试目录指数膨胀,开发者热议如何把关 — arthurcolle · 2026-09-08
• Agent 可观测性工具严重缺位，开发者苦寻本地 OTEL 方案 — Cautious_Chicken_604 · 2026-09-08

更多「编程与Agent」频道 AI 资讯 →