当前Agent未能将世界模型用作前瞻工具

基于视觉语言模型构建的Agent越来越多地面临需要预判未来状态而非依赖短程推理的任务。生成式世界模型提供了一条有希望的补救途径：Agent可以将其作为外部模拟器，在行动前预演结果。本文实证考察当前Agent能否将此类世界模型作为工具来增强自身认知。在多样的Agentic任务与视觉问答任务上，我们观察到部分Agent极少调用模拟（不足1%），经常误用预测的rollout（约15%），并且在模拟可用或被强制启用时表现出不一致甚至下降的性能（最高达5%）。归因分析进一步表明，主要瓶颈在于Agent决定何时模拟、如何解读预测结果以及如何将前瞻整合进下游推理的能力。这些发现凸显了建立能促进校准化、有策略地与世界模型交互的机制的必要性，为未来Agent系统实现更可靠的前瞻认知铺平道路。