概要

训练一个会用工具的Agent，最贵的往往不是模型，而是环境。

每个工具调用都要有真实环境接住：数据库、API、客服系统、支付接口。想扩大训练规模，就得合成大量可执行环境，再逐一验证正确性。这笔账不好算：写工具、写状态管理、写验证逻辑，领域一扩，成本线性涨。论文里点名的几条代表路线都绕不开这件事：EnvScaler用程序合成工具交互环境，AWM搭带数据库状态的代码环境，ScaleEnv从零构建可交互环境和可验证任务，TOUCAN则从真实MCP环境里合成大规模轨迹。环境越复杂，验证越贵，最后还得靠真实环境兜底。

8月6日公开的EnvACE（arXiv:2608.06197，上海交大、浙大、新加坡国立、中大、腾讯等机构）换了个思路：不建环境，让模型自己演环境。

智能体通过工具和API与真实环境交互，环境的构建与验证是主要成本

图注：传统路线里，智能体靠真实环境或外部模拟器给出反馈。来源：EnvACE论文。

一个模型，两个角色

EnvACE的设计一句话能说清：训练时，模型先当"行动者"，发出一个工具调用；接着切换成"环境"，生成这个调用本该得到的响应；再基于自己排演出的响应，做下一步决策。

两个角色共用一套参数，用任务成功奖励端到端优化。训练只跑了470步，16张H20 GPU，用Qwen3-30B-A3B当裁判，每条轨迹最多30个交互轮。训练结束，"动作→环境响应"的关系被写进参数，变成一个随决策调用的世界模型。

之前也有工作让模型预测自己动作的后果，但只把它当辅助损失，决策时还是等外部给响应。EnvACE把排演直接嵌进决策链：下一步动作就建立在刚才排演出的响应上。外部模拟器则是另一回事，那是独立的模型，响应可能不准，校准还得回真实环境。

EnvACE概念图：同一模型既当行动者Act，又当环境World Rehearsal

图注：一个策略同时扮演行动者和环境。来源：EnvACE论文。

成绩说话

以Qwen3-8B为底座，EnvACE在四个智能体基准上超过了所有结果完整的环境扩展基线：

  • 三基准综合Overall 32.91%，高于EnvScaler-8B的31.92%和AWM-14B的32.54%；
  • τ2-Bench平均36.7%，比EnvScaler-8B、AWM-8B、AWM-14B分别高3.8、5.5、6.0个百分点，其中Airline域44.0%，比EnvScaler的34.5%高出近10个点；
  • BFCL V4拿到46.04%，比未训练的Qwen3-8B高2个百分点；
  • VitaBench 16.0%，是表中所有7B-8B方法里的最高分；
  • 金融工具调用基准FinMCP-Bench上，TF1 46.78%、工具精确率54.04%，均为表中最高，而EnvScaler的工具精确率只有39.18%。

拆开看子项，提升不靠单个基准拉动：τ2-Bench的Retail 48.9、Airline 44.0，都是表里前两名；BFCL多轮任务45.29，比未训练的Qwen3-8B高3.2个点。FinMCP上工具召回41.23%不是最高，EnvScaler做到49.35%，但EnvACE精确率54.04%对39.18%，调得更准，错调更少。

反面教材也有：用推理模型模拟环境反馈的Simulator-8B，综合分只有20.03，比没训练的Qwen3-4B还低。外部模拟这条路，响应一旦不准，训练就是往沟里带。

成本账也算得过来。EnvScaler、AWM、ScaleEnv的合成流水线，额外要代码工程和验证人力；EnvACE的额外开销只是轨迹里多生成一段排演响应，训练470步、16张H20就收尾。

规模扩展也成立。同一套配方从1.7B做到8B，BFCL V4平均提升14.23个百分点，τ2-Bench提升21.4个百分点，两个规模上都赢过标准GRPO。

还有个细节值得注意：把行动和排演拆给两个独立策略（Per-role Policy），τ2-Bench只有35.5%；共享参数后到36.7%。而标准GRPO不加排演，只有31.2%。也就是说，排演本身有用，排演和决策共用一套参数更有用——两个角色在互相喂数据。

执行前，先排练两遍

内化出的世界模型还有第二个用途：推理时先在脑子里排练几次，再真正动手。这接近人类的做法：外科医生上台前在脑子里过一遍流程，飞行员先在模拟器里飞一遍。区别是EnvACE的排练不需要模拟器，用参数就行。

排练次数N=2时，并行排练把Overall从36.7%提到40.9%，提升4.2个百分点；拆开看，τ2-Bench从31.4%到38.0%，BFCL多轮从41.9%到43.9%，全程没有额外的外部环境交互。串行模式也能到38.5%。N=3反而回落，排练预算不是越多越好。

对照实验更说明问题：用基座模型代替EnvACE来排练，并行模式提升微弱，串行模式甚至不如不排练。涨分不来自多烧推理算力，而来自训练时内化进参数的那份环境知识。

BFCL多轮任务上，EnvACE并行排练在N=2时得分最高，达43.88%

图注：排练次数与得分关系，EnvACE排练稳定优于基座模型排练。来源：EnvACE论文。

源势AI观点

我们在这篇论文里看到的是成本结构的转移：Agent训练的瓶颈，正从"环境供给"移向"模型自身的世界建模能力"。

这对企业落地是个实在的提醒。企业场景里最耗时间的往往不是调模型，而是搭沙箱、收拾试错成本：客服Agent在真实系统里错一步，就是一次投诉。如果Agent能先在自己的世界模型里排练，把明显错误的动作筛掉再执行，试错账单会小一个量级。

源势AI在能源、金融行业的Agent落地走的是类似路子：先建可验证的小闭环，让智能体在闭环里把错犯完，再放进真实环境，目前AI研判准确率做到98.7%，人力节省70%。EnvACE在训练层面给这条路加了个注脚：先排练、再行动，是能被奖励信号学会的。

论文只验证到8B规模，任务也以工具交互为主，更大模型上是否成立还是开放问题，作者自己也把这两点列为局限。但对做Agent工程的团队来说，有个问题已经可以排上日程：你的智能体，在执行前有没有一次便宜的排练机会。有，和没有，是两种工程。