Un agente pulsa un botón. Qwen intenta adivinar qué pasa después
Los asistentes de inteligencia artificial ya escriben, programan y responden preguntas con bastante soltura. Los agentes tienen un trabajo más incómodo: deben abrir una web, usar una herramienta, tocar archivos y seguir adelante cuando algo no responde como esperaban. Cada acción cambia el escenario. Una carpeta deja de estar vacía, una página abre otra pantalla o un comando devuelve un error que obliga a rehacer el plan.
Qwen-AgentWorld, presentado por el equipo de Alibaba Cloud, está diseñado para predecir ese siguiente estado. Recibe el historial de una interacción y la acción elegida por un agente; después genera la respuesta que produciría el entorno. Si la orden es ejecutar un comando, intenta reconstruir la salida del terminal. Si el agente pulsa un elemento de una web, simula lo que debería aparecer a continuación.
La diferencia con un chatbot corriente se entiende mejor con un ejemplo. Puedes pedirle a cualquier modelo que finja ser un ordenador, igual que puedes pedirle que interprete a un camarero. Qwen-AgentWorld ha sido entrenado desde el principio con transiciones entre acciones y resultados. Su especialidad no es mantener una conversación agradable, sino conservar el estado de una tarea y responder como lo haría la herramienta que el agente cree estar usando.
Diez millones de recorridos por terminales, webs y herramientas
El informe técnico, publicado el 23 de junio, habla de más de diez millones de trayectorias recogidas en siete tipos de entorno: herramientas conectadas mediante MCP, buscadores, terminales, tareas de ingeniería de software, Android, páginas web y sistemas operativos de escritorio. Una trayectoria puede incluir muchos pasos, por lo que no equivale a diez millones de tareas completas ni a diez millones de ordenadores distintos.
El entrenamiento se divide en tres fases. Primero, el modelo aprende patrones generales sobre cómo cambian los entornos. Después practica de forma explícita la predicción del siguiente estado. La última fase utiliza aprendizaje por refuerzo para mejorar el formato, la coherencia y el manejo de errores. Alibaba también introduce cambios controlados: llamadas que fallan, resultados paginados, información incompleta y operaciones que funcionan solo a medias.
Ahí aparece la utilidad práctica. Probar un agente sobre una cuenta, una base de datos o un repositorio real cuesta dinero y puede terminar mal. En una simulación se puede repetir el mismo problema miles de veces, cambiar una sola condición y generar averías poco frecuentes sin poner datos o sistemas en riesgo. Es el equivalente digital a practicar un aterrizaje complicado en un simulador antes de ocupar la cabina de un avión.
Hay un límite fácil de pasar por alto: el modelo público es de lenguaje. Aunque sus archivos incluyen definiciones para componentes visuales, la propia ficha indica que el checkpoint contiene solo los pesos lingüísticos. En los entornos gráficos trabaja con representaciones textuales del estado y no con una comprensión visual completa de cada píxel. Eso ayuda a explicar por qué sus mejores resultados llegan en terminal y programación, no en interfaces.
Hay dos tamaños, pero solo uno se puede descargar
Alibaba ha entrenado Qwen-AgentWorld en dos escalas. Qwen-AgentWorld-35B-A3B reúne 35.000 millones de parámetros y activa unos 3.000 millones en cada paso. Qwen-AgentWorld-397B-A17B sube hasta 397.000 millones y activa alrededor de 17.000 millones. Ambos emplean una mezcla de expertos: distintas partes del modelo se especializan y solo una fracción entra en funcionamiento para cada fragmento de información.
A 19 de julio, los pesos publicados en Hugging Face corresponden al modelo de 35.000 millones. Se distribuyen con licencia Apache 2.0, un contexto máximo de 262.144 tokens y compatibilidad con Transformers, vLLM y SGLang. Qwen recomienda al menos 128.000 tokens para conservar interacciones largas, de modo que ejecutarlo con comodidad sigue exigiendo bastante memoria y varias GPU.
El modelo de 397.000 millones aparece en el paper, en las tablas y en los experimentos más llamativos, pero sus pesos no figuran entre las descargas oficiales enlazadas por el proyecto. Conviene separar ambos: podemos probar el 35B; el 397B es, por ahora, el modelo que Alibaba ha usado para presentar sus mejores resultados.
El 58,71 que supera a GPT-5.4 viene con letra pequeña
Alibaba ha creado AgentWorldBench para comparar cómo simulan los modelos un entorno. El conjunto parte de interacciones reales de cinco modelos avanzados sobre nueve bancos de pruebas. Cada respuesta recibe una nota de formato, precisión factual, coherencia con el estado anterior, realismo y calidad general. El resultado se normaliza sobre 100.
En esa evaluación, Qwen-AgentWorld-397B-A17B obtiene 58,71 y GPT-5.4, 58,25. La ventaja de Qwen es clara en terminal (57,73 frente a 53,69) y desarrollo de software (68,49 frente a 66,29). En los tres apartados de interfaz gráfica, Claude Opus 4.6, Claude Opus 4.8, GPT-5.4 y Gemini 3.1 Pro quedan por delante en la media conjunta. El 35B público marca 56,39.
La comparación sirve para medir esta tarea concreta, no para decidir cuál es la mejor IA del mercado. AgentWorldBench lo ha creado el mismo equipo que presenta Qwen-AgentWorld y su evaluación abierta utiliza GPT-5.2 como juez automático. El apéndice añade pruebas basadas en reglas, menos dependientes de una valoración subjetiva: allí GPT-5.4 lidera tanto en entornos de texto como en interfaces gráficas. Qwen no ha derrotado a GPT, Claude y Gemini en general. Ha conseguido un resultado muy competitivo en el examen que se ha construido para simular estados digitales.
Los agentes mejoran después de practicar en mundos inventados
El experimento más interesante empieza cuando Qwen-AgentWorld deja de competir en una tabla y se convierte en profesor. Los investigadores generaron 4.000 entornos parecidos a OpenClaw que el simulador no había visto durante su entrenamiento. Un agente practicó dentro de ellos hasta 50 turnos por tarea y después se examinó en pruebas reales.
La puntuación subió de 65,4 a 69,7 en Claw-Eval y de 47,9 a 55,0 en QwenClawBench. Cuando el simulador fue Qwen3.6-Plus, un modelo generalista de la misma familia, el avance fue pequeño o inexistente. Según los datos de Alibaba, entrenar específicamente al modelo para representar el entorno produce una práctica más útil que pedirle a un chatbot convencional que improvise la simulación.
El equipo fue todavía más lejos con las búsquedas. Construyó mil mundos ficticios con bases de datos de entre 300 y 500 registros, páginas inventadas y hechos coherentes entre sí. Como las respuestas no existían en internet ni en la memoria del modelo, el agente tenía que buscar, abrir resultados y cruzar información de verdad. Después de entrenar en esos escenarios, un modelo de 35.000 millones pasó de 34,02 a 50,31 en la métrica principal de WideSearch sobre búsquedas reales.
Son resultados del propio laboratorio y todavía deben repetirse fuera de Qwen. También dependen de que el simulador represente bien el estado inicial. Si faltan permisos, archivos o detalles de la herramienta, el agente puede aprender de una realidad inventada que se parece poco al sistema final. Un buen simulador permite entrenar barato y con control; uno mediocre enseña hábitos que después habrá que quitar.
Antes de tocar tus archivos, el agente podría ensayar el plan
Los agentes actuales impresionan en una demostración y se vuelven torpes en cuanto cambia un botón, aparece una ventana inesperada o una herramienta contesta de otra manera. Un modelo del mundo puede ayudar en dos momentos. Durante el entrenamiento genera miles de situaciones sin necesitar miles de cuentas reales. Durante el uso podría anticipar varias respuestas posibles antes de elegir una acción.
Imagina un agente que debe reorganizar una carpeta de trabajo. En vez de mover archivos directamente, prueba el plan sobre una copia simulada, detecta que romperá una ruta y corrige la orden. En una tienda online podría ensayar una modificación de catálogo antes de publicarla. En programación, podría prever qué pruebas fallarán después de cambiar una función. Qwen-AgentWorld todavía no ofrece ese nivel de fiabilidad por sí solo, pero convierte la idea en algo medible y entrenable.
La simulación tampoco elimina la necesidad de permisos, copias de seguridad y confirmación humana. Un modelo puede equivocarse sobre lo que hará el sistema; un agente puede confiar demasiado en esa predicción y ejecutar justo la opción incorrecta. El avance está en añadir una oportunidad para ensayar, no en convertir cada acción en segura por arte de magia.
Alibaba quiere controlar más capas del negocio de la IA
Qwen-AgentWorld encaja en una estrategia mucho mayor. Alibaba desarrolla modelos, herramientas para programadores, agentes, servicios en la nube y sus propios chips. En marzo creó el grupo Alibaba Token Hub, dirigido por el consejero delegado Eddie Wu, para concentrar su negocio de modelos como servicio. En mayo, la compañía aseguró que sus productos relacionados con IA llevaban once trimestres creciendo a tres dígitos y ya suponían el 30% de los ingresos externos de su división cloud.
Un simulador puede alimentar todo ese catálogo. Sirve para entrenar agentes propios, para generar ejercicios destinados a clientes y para reducir el uso de infraestructuras reales durante el aprendizaje. La versión 35B abierta también permite que universidades y empresas prueben la propuesta sin depender por completo de una API de Alibaba.
El proyecto aún tiene que demostrar cuánto aguanta fuera del laboratorio, sobre todo en interfaces visuales y tareas que cambian de una semana a otra. Pero ha planteado una pregunta muy concreta para la próxima generación de agentes: ¿queremos que aprendan mientras actúan sobre nuestros sistemas o preferimos que lleguen después de haberse equivocado miles de veces en una copia? Alibaba ya ha construido la copia y quiere que sus agentes empiecen a practicar dentro.
La conversación empieza aquí
Accede con una cuenta de apoyo para comentar. Entrar
Todavía no ha comentado nadie. ¿Estrenas tú?