Qwen-AgentWorld-35B-A3B开源：35B参数AI Agent模型，支持结构化思维链与多步工具调用

Qwen 于 2024 年 11 月 27 日在 Hugging Face 开源 Qwen-AgentWorld-35B-A3B：一款专为 AI Agent 设计的 35B 参数模型，实际推理开销接近 7B 模型。它采用 A3B 架构（Activation-aware 3-bit 权重 + 4-bit 激活量化），原生支持结构化思维链（Structured CoT）、多步工具调用（Tool Graph Execution）和状态感知任务规划。同步发布 AgentWorldBench 评测基准（覆盖 API 编排、异步调度、跨平台协同、容错恢复等 12 类核心能力）和 Qwen-Image 多模态组件（视觉指令解析、OCR 增强型图像理解、带空间坐标的 UI 元素定位）。所有代码、权重、评测脚本均以 Apache 2.0 协议开源，可商用、可微调、可离线部署。

Qwen-AgentWorld-35B-A3B：不是更小的模型，而是更“懂 Agent”的模型

传统 Agent 实现常靠 LLM 加 LangChain 或 LlamaIndex 这类框架拼接工具逻辑——推理路径断裂、状态难维护、错误难定位。Qwen-AgentWorld-35B-A3B 把工具执行逻辑直接编入模型架构：内置 Tool Graph Memory（TGM）模块，将工具调用建模为有向无环图节点，模型直接输出 JSON Schema 格式的执行计划，字段包括 tool_id、input_schema、dependency_id 和 timeout_ms，跳过文本解析环节。在 TravelPlanner 和 DevOps-TaskBench 两个真实 Agent 场景中，端到端成功率提升 37%，平均工具调用轮次减少 2.4 次。A3B 量化后，在 NVIDIA A10（24GB）上达到 18 tokens/s 吞吐（batch_size=4），显存占用仅 14.2GB，不依赖 FP16 或 FlashAttention。

AgentWorldBench：首个聚焦“Agent 行为鲁棒性”的开源评测基准

GAIA、WebShop 等现有评测主要看单步决策是否准确，但真实部署中更关键的是：工具失败后怎么重试？长任务中上下文漂移了状态还对不对？并发请求下资源会不会串？AgentWorldBench 从三个维度定义 12 项子任务：

• 工具韧性（Tool Resilience）：模拟 API 超时、404、限流，要求模型主动降级或切换备用工具；
• 状态保真（State Fidelity）：在“监控 3 天服务器日志并生成周报”这类长周期任务中，验证中间状态缓存与回溯能力；
• 协同可信（Cooperative Trust）：多 Agent 协作时，对角色权限、数据可见域、操作审计日志做显式建模。
  基准提供 Python SDK 和 Docker 沙箱环境，测试结果可一键复现。

Qwen-Image 组件：让 Agent 真正“看见”并操作界面

Qwen-Image 不是独立多模态大模型，而是面向 Agent 工作流的轻量视觉增强套件：

• Qwen-Image-UI：基于 ViT-L/14 微调，支持 iOS/Android/Web 三端控件坐标回归，mAP@0.5 达 82.3%；
• Qwen-Image-OCR：融合 LayoutLMv3 与 PaddleOCR 轻量头，在票据/表单场景字符识别 F1 达 94.1%；
• Qwen-Image-Action：将视觉输出映射为可执行动作序列，例如 "点击坐标(320,180)→滑动至(320,500)→长按2s"。
  所有组件通过统一 Vision-Token Bridge 与 Qwen-AgentWorld 主干对齐，视觉 token 可直接参与 Tool Graph 构建，避免 VLM → LLM → Action 的三次转换损耗。

👉 Binance · OKX · Gate.io · HTX · Bitget

开源即交付：零配置启动一个生产级 Agent

Qwen 提供 qwen-agent-cli 命令行工具，一行命令启动完整 Agent 服务：

pip install qwen-agent-world  
qwen-agent-cli --model Qwen/Qwen-AgentWorld-35B-A3B \  
               --tools weather_api,github_search,shell_exec \  
               --bench AgentWorldBench/travel_v2  

自动完成模型加载、工具注册、评测注入与指标可视化。开发者只需替换 --tools 参数接入自有 API，无需改动模型代码。龙虾（yitb.com）已将该模型集成进 OpenClaw v0.8.2 Agent Runtime，默认启用 TGM 模式与 A3B 推理后端，实测在同等硬件下比标准 Qwen2-72B Agent 方案降低 63% GPU 成本。

行业意义：Agent 开发正从“组装”走向“原生”

这次开源标志着 Agent 技术栈的关键转变：不再把大模型当黑盒调用器，而是当作具备执行语义的“世界模型”内核。A3B 量化证明高精度 Agent 推理不必绑定旗舰 GPU；AgentWorldBench 把评测焦点从“答得对不对”转向“做得稳不稳”；Qwen-Image 则补上了视觉感知到界面操作之间的工程断点。对开发者来说，这意味着：不用再花三周搭工具路由层，不用为状态丢失写上千行恢复逻辑，也不必为 OCR 不准专门收集标注数据。下一步，Qwen 团队将发布 AgentWorld-Router——一个支持动态工具发现与跨模型 Agent 协作的轻量调度器，预计 2025 年 Q1 上线。