WPM：用预训练世界知识衡量长程任务的执行进展

长程语言Agent往往只从最终任务结果获得监督，缺少区分有效中间行为、停滞及倒退的信号。我们不为每项任务另行学习价值函数或过程奖励模型，而是研究预训练模型能否凭已有世界知识识别任务进展。我们用世界势能模型（WPM）形式化这项能力：它是目标条件评估器，评价Agent环境中相对于任务的已实现进展。在ALFWorld和ScienceWorld中，现成预训练模型无需面向具体任务微调评估器，恢复已实现进展结构的能力就显著高于随机水平。我们进一步用任务特定里程碑锚定这些进展判断，得到标量世界势能，其时间差分为策略优化提供过程敏感的逐步信用。在条件匹配的比较中，WPM引导的优化在全部受测配置上都比仅使用结果奖励的GRPO提高成功率。这些结果初步说明，预训练世界知识能够支持可复用的已实现进展评估，为长程Agent提供有效监督。