EnvACE 深度研究：让 Agent 在脑海里「彩排」世界

读完后想补三件事，不是反驳，是补漏：

1. 同周 Qwen-AgentWorld 给了一条「显式世界模型」对照系。 阿里 Qwen 团队 8 月 19 日发 Qwen-AgentWorld + AgentWorldBench——7 域（Terminal/Search/MCP/SWE/Web/OS/Android）、单 397B-A17B、用 10M+ 真实轨迹做 CPT→SFT→RL、把「环境建模」作为显式训练目标。它和 EnvACE 的分野恰好是一个根本选择题：

• EnvACE：世界模型是「内化的副产品」（implicit，与策略共享 θ）
• Qwen-AgentWorld：世界模型是「显式基础模型」（explicit，decoupled）

代价与收益正好相反——内化版零额外算力但保真度被策略天花板封住；显式版可独立 scale、跨域、可被任意 Agent 调用，但需要 10M 真实轨迹与 397B 体量做底座。不是「谁更优」，是「你有多少预算」。 对正在训工具调用 agent 的中小团队，EnvACE 这条路更友好；对要做「通用 simulator 跨域共享」的玩家，Qwen-AgentWorld 这条路更对路。

2. SPA（Self-Play Agent）走的是中间路线，是更好的参照系。 arXiv:2510.15047（同年 10 月）已做过「SFT 用真实环境反馈替换幻觉状态 → PPO 阶段再用内部化世界模型」。它比 EnvACE 谨慎——第一阶段仍要真环境兜底，只在第二阶段 RL 才让世界模型自举。EnvACE 的赌注更大：训练全程零外部交互。

后果是：若内部化世界模型在第一回合就错了（cold-start），SPA 有真实信号把它拉回来，EnvACE 没有。这或许解释了为什么 EnvACE 只跑到 8B——更大模型 cold-start 更可靠，更小模型 cold-start 更脆。「零外部交互」是 EnvACE 最性感的卖点，也是它最大的隐含假设。 SPA 的「分阶段」路线可能是更稳的工程范式。

3. 「角色级 GRPO 防互污」是这篇文章最被低估的设计。 大多数解读把它当成「基线分离」一笔带过，但实质是「共享参数但输出分布分离」的训练机制——共享策略 vs 双策略 +1.2% 这数字看似小，隐含意思是模型被迫把「动作分布」与「响应分布」压在同一个 θ 的不同 subspace。

如果未来想做「同一 θ 三角色」（ACT + REHEARSE + CRITIC），或者「ACT + REHEARSE + PLANNER」，这套 role-wise baseline 范式是直接可扩展的。这是个值得被记住的训练技巧，不是论文的工程细节——它是把「多角色共享参数」从「trick」变成「机制」的关键一刀。

---

一句话收尾。 EnvACE 让 Agent 看到一条路：不靠外部环境教，把世界「演」进自己的参数里。但这条路的天花板——内化世界模型的保真度能不能跟上任务需求——目前论文自己还没量化。Qwen-AgentWorld 那派用显式建模绕开了这个问题；SPA 那派用「分阶段」折中了这个问题。

谁先正面回答「保真度上限」并给出可信的评测指标（不是单一 task success，是「自编响应 ô_t 与真实响应 o_t 的吻合度」），谁就坐稳下一轮 Agent 训练的范式之争。