想让 agent 学会用电脑，最简单直接的办法是让它在电脑环境中进行交互、训练，可是一方面真电脑环境成本高、很难大规模铺开，而且可能会引入安全风险，比如 OpenAI 最近披露了一起 agent 在线环境中学习却意外地攻击了 huggingface 服务器的事件。
最近，前沿实验室已经展现了 RL 对于 agent 的性能提升有巨大的帮助。agent 要在交互里学，需要和环境进行交互。拿真实系统交互并不现实：环境没法大批量复制，状态也很难重置，agent 一旦点错，删掉的文件、发出去的邮件都是真的，还可能带来安全隐患。
今年 2 月，研究团队发布了 Agent World Model（AWM，ICML 2026）。区别于 world model 往往使用神经网络模拟环境、预测下一个 state（作为环境），AWM 用代码和数据库合成可执行、可交互的环境，一共生成了 1000 个，覆盖各种日常场景，专门用来给多轮调用工具的 agent 做强化学习。只在这些合成环境里训练，模型在三个 OOD benchmarks 上都有不错的分布外泛化。
WildAWM 是这个系列的新工作，这次面向通用的计算机使用 agent（computer-use agent，CUA），不再一个个地合成工具环境，而是直接合成一整台个人电脑。
真正的 computer-use agent 应该是 agent 可以访问这台电脑的任何界面，而不局限于一种界面，agent 能够正常的使用 CLI 就像 coding model 一样用代码高效达成目标，也能够正常的使用 GUI，操纵鼠标、键盘访问图形界面网页，也可以接入 MCP service 发现便捷的软件 services（比如 email）。
网站、应用、MCP 服务和本地文件都在一台机器上，状态也连在一起。已有的合成方法大多做的是每个应用各自是一个孤立的环境，比如专门合成 terminal 环境的，比如专门合成网页环境的等等。
WildAWM 的每个环境都是某一个人的电脑。合成从一个虚构人物开始：先定下这个人的职业、联系人、常去的网站和手头在忙的几件事，再把这些事排成一天一天的计划。接着，使用一个 coding agent（GLM-5.2 加 OpenCode）按天把计划落到环境里，往数据库里写记录，往文件夹里放文件，每一天都接着前一天的状态往下做，自然数据也会一天天合成得慢慢的变多。注意这些网页，应用，数据全部是合成的，全部在本地，不需要联网。
为了让这样一个世界前后一致，每一天的状态都要独立重放两次，两次结果完全一样，所有服务和网站也都正常，才会留下来。还会启动另一个 agent 核对当天的数据和计划对不对得上。整一个完整的过程合成了 36 个人物、640 个世界状态。到最后一天，一个世界里平均有 17 万多条数据库记录和 50 个左右的本地文件，复杂程度超过同期的合成环境类工作。
比如一道题：Jordan 要在 2 月 21 日跑半马，想在比赛前再确认一下跑表买哪块。训练笔记里记着几块备选的 GPS 手表，之前已经 “定下” 了一块，但 Jordan 想按比赛要用的标准，也就是 GPS 精度、屏幕看不看得清和预算，重新排一遍。agent 得先写个 python 脚本，从笔记里把候选表找出来排好序，存成文件。接着登录 Amazon，这时搜出来的手表可能不止一款，题目没给型号，只描述了外观（黑色圆形表壳，深色表带内侧有浅灰纹路），得看商品图来挑。加进购物车以后，还要往本地日志里补一条带日期的记录，写明选了哪块表、多少钱，最后在聊天应用里告诉好朋友 Naomi 选了哪一块。完成这个任务需要横跨多种 agent 界面，充分使用合成的环境。
这些任务平均包含 4.2 个子任务，要切换 3.1 次接口，74.5% 的任务做到中途还要回到之前用过的接口，有的需要超过 100 多步，是 long-horizon agent 任务。
那么，怎么样才可以合成这样的高质量 task 呢？尤其是在不依赖任何闭源前沿模型的情况下，如何解决：
任务有效性 （Task Solvability），确保合成的任务是能够顺利被完成的；
任务难度（Task Difficulty），确保合成的任务是有足够的难度的，毕竟市面上大多数的 benchmarks 都已经饱和，我们一定要要合成足够难度的任务，比如难倒 GPT-6 Astra 的任务
任务验证器的可靠性（Verifier Reliability），合成的 task 都有一个验证器，用于自动判定 agent 是否完成了任务，提供训练的奖励信号，必须确保足够准确和可靠，才能给出有效的 agent RL 强化学习信号
图 3：WildAWM 的整体流程。左边合成世界，中间详细的介绍了合成任务的各个阶段，最右边用合成好的环境、任务和验证器做强化学习
每次跑完由三种验证方式来评价：生成器写的验证脚本（verifier）、LLM judge，还有一个拥有最高权限的，能自己进环境查看前后状态的 coding agent judge。它们依次增加了 test time 的时间和计算，理应会慢慢的准确。但是在 RL 训练当中，我们应该一个高效的验证器，也就是通常是一个脚本。所以我们的目的是将验证脚本 verifier 的准确度对齐 Agent Judge。
初始未完成：agent 什么都不做的时候，verifier 必须判失败，免得出现一开始就 “已完成” 的题。
反事实探针：大模型容易顺着别人的话说。研究者故意把相反的结论告诉 agent judge，让它重新查，它要是改了判定结果，那说明这次判定就不靠谱，要重新修改
经过这些关卡，最后，2,551 个任务草稿里留下了 341 道合格的题目。
先看能不能做（Task Solvability)。研究者用 24 种模型和框架的组合（前面 3 个开源模型加上闭源较强的模型 Opus-4.8，各配 6 种框架）来做这批题，每道题都至少被一种组合做出来，就算只用合成时那 3 个较弱的开源模型，也能做出 95% 以上。
再看难不难 （Task Difficulty）。合成阶段不给任何提示时，agent 的平均成功率只有 21.3%，341 道题里有 273 道被标成了难题。在验证集上，GPT-6 Astra 第一次就做对的比例约为 Pass@1 60%，让它做 8 次，Pass@8 仍有 27.3% 的题一次都没做出来。WildAWM 完全使用开源模型，却能合成出让 GPT-6 Astra 都做不对的题（注意每到题都验证过是可以被解决的）。
？研究者每次去掉一道进行消融实验，重新合成 SFT 数据来训练 Qwen3.5-4B，平均分都会下降，降幅在 2.60 到 9.30 分之间。影响最大的是评判一致和初始未完成。
相邻两次工具调用之间切换接口的比例，从 18.4% 升到了 25.5%，接近 GLM-5.2。这说明 agent 对于不同的电脑接口使用更加熟练，对于不同的需求，可以切换到最合适的接口进行完成任务
WildAWM 的合成流水线 个环境和任务、两个训练好的 Qwen 模型，还有整理好的 Harbor 格式的数据集，都已经全部开源。从生成环境、出题到判分，整一个完整的过程只用开源模型，不依赖任何闭源的前沿模型，可以直接用，也能够直接进行复现。
研究团队认为，这为开源模型指出了一条路：自己合成可以逐步扩大的环境和高质量的任务，在里面自己学习，进行迭代重复，最终成为强大的通用计算机使用 computer-use agent，整一个完整的过程不依赖任何闭源模型，避免间接蒸馏。这为开源模型奠定了 Recursive Self-Improvement (RSI）的基础。