bbkdevops / Qwen-AgentWorld-ULTRA

Qwen-AgentWorld — Native Language World Model for Agentic Environment Simulation

"ภาษาคือโลก" / Language is the World — โมเดลโลกที่สื่อสารเป็นภาษาธรรมชาติ จำลองการเปลี่ยนแปลงของสภาพแวดล้อม เอเจนต์ การใช้เครื่องมือ และผลลัพธ์แบบ end-to-end

---

สารบัญ / TOC

• ภาพรวม
• สถาปัตยกรรม
• โครงสร้างโฟลเดอร์
• ติดตั้ง
• Quickstart
• World Model API
• Simulation / Dream
• Training
• Ollama / llama.cpp
• Evaluation

---

ภาพรวม / Overview

Qwen-AgentWorld คือ native language world model ที่เทรนจากฐาน Qwen3.8-27B-TurboFCFusion (GGUF IQ4_NL, 16.5 GB, 65 blocks, 262K context) เพื่อทำหน้าที่จำลองโลกสำหรับเอเจนต์:

[Observation_t + Action_t + History]  --Qwen-AgentWorld-->  [Observation_{t+1}, Reward, Done, Info]

ทุกอย่างเป็น ภาษา — observation, action, tool call, tool result, reward explanation — โมเดลทำนาย ภาษาที่สภาพแวดล้อมจะตอบกลับ ไม่ใช่เวกเตอร์ซ่อน

Use cases

• Agentic simulation — ฝึกหรือประเมินเอเจนต์โดยไม่ต้องเรียก environment จริง (WebShop, ALFWorld, OSWorld, CodeEnv, ToolEnv)
• Dream training (Dreamer-style) — ให้เอเจนต์ rollout ในความฝันของ world model แล้วค่อย deploy จริง
• Planning / Search — MCTS / Best-of-N โดยใช้ world model เป็น simulator
• Data synthesis — สร้าง trajectory สังเคราะห์สำหรับ SFT/RL

Base model file: D:\AGI\Qwen3.8-27B-TurboFCFusion-735-882-Here-Uncen-NEO-CODER-MAX-MTP-IQ4_NL.gguf (17,753,101,856 bytes, GGUFv3, qwen35 arch)

---

สถาปัตยกรรม / Architecture

┌─────────────────────────────────────────────────────────────┐
│                    Qwen-AgentWorld (27B)                     │
│   Qwen3.5 hybrid: Attention (full-interval=4) + Mamba2 SSM  │
│   65 blocks | d=5120 | FFN 17408 | 24H / 4KV | 65 layers    │
│   RoPE 10M freq | MTP next-n=1 | 262K context               │
├─────────────────────────────────────────────────────────────┤
│  World Model Interface (language-native)                     │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐    │
│  │ Obs→Text │→ │ Act→Text │→ │  Qwen    │→ │Text→ Env │    │
│  │ Encoder  │  │ Encoder  │  │  27B     │  │ Decoder  │    │
│  └──────────┘  └──────────┘  └──────────┘  └──────────┘    │
│  Output JSON: {next_obs, reward, done, info, thought}       │
├─────────────────────────────────────────────────────────────┤
│  Environments (text-serialized)                              │
│  ALFWorld | WebShop | CodeEnv | ToolEnv | OSWorld | TextGame│
├─────────────────────────────────────────────────────────────┤
│  Dream Engine | Trajectory Buffer | Reward Model             │
└─────────────────────────────────────────────────────────────┘

World Model Prompt Contract ( qwen_agent_world/world_model.py:42 ):

• Input: system = World Simulator instructions (THAI/EN) + environment spec + history + current obs + action
• Output: strict JSON: {"next_observation": str, "reward": float, "done": bool, "info": str, "thought": str}

Hybrid SSM+Attention ( qwen35.* kv): ทุก 4th block ใช้ full attention, ที่เหลือเป็น Mamba2 SSM — เหมาะกับ trajectory ยาว 262K

---

โครงสร้างโฟลเดอร์

D:\AGI\Qwen-AgentWorld\
├── Qwen3.8-27B-TurboFCFusion-...gguf  (symlink → D:\AGI\*.gguf)
├── qwen_agent_world/
│   ├── config.py          # WorldModelConfig, EnvConfig
│   ├── world_model.py     # QwenAgentWorld core (GGUF+HF dual backend)
│   ├── environments/      # BaseEnv + 6 envs + Registry
│   ├── simulation/        # DreamEngine, Trajectory, Dreamer
│   ├── training/          # Dataset, Trainer, LoRA, RewardModel
│   ├── inference/         # OpenAI-compatible server + client
│   └── utils/             # metrics, logging
├── configs/               # world_model.yaml, training.yaml, environments.yaml
├── scripts/               # train.py, inference.py, evaluate.py, benchmark.py
├── examples/              # quickstart.py, agent_in_dream.py, tool_use_simulation.py
└── Modelfile              # Ollama

---

ติดตั้ง / Installation

# 1. สร้าง venv (Python 3.10+ แนะนำ 3.11/3.12)
python -m venv .venv
.\.venv\Scripts\Activate.ps1

# 2. ติดตั้ง dependencies
pip install -r requirements.txt

# 3. ติดตั้ง llama-cpp-python แบบ GPU (RTX 3090 = cuBLAS)
# เลือก 1 วิธี:
pip install llama-cpp-python --extra-index-url https://abetlen.github.io/llama-cpp-python/whl/cu126
# หรือ build จาก source (ต้องมี CUDA 12.6 + VS2022)
CMAKE_ARGS="-DGGML_CUDA=1" pip install llama-cpp-python --no-cache-dir --force-reinstall

# 4. (ทางเลือก) Ollama
ollama create qwen-agentworld -f Modelfile
ollama run qwen-agentworld

requirements.txt รวม: transformers , torch , accelerate , peft , datasets , llama-cpp-python , fastapi , uvicorn , pydantic , pyyaml , rich , numpy

---

Quickstart

1. Python — World Model โดยตรง

from qwen_agent_world import QwenAgentWorld, WorldModelConfig

wm = QwenAgentWorld(
    WorldModelConfig(
        gguf_path=r"D:\AGI\Qwen3.8-27B-TurboFCFusion-735-882-Here-Uncen-NEO-CODER-MAX-MTP-IQ4_NL.gguf",
        n_ctx=32768,          # ใส่ 262144 ถ้า VRAM พอ (ต้อง offload)
        n_gpu_layers=-1,      # -1 = offload ทั้งหมดเท่าที่ VRAM พอ
        temperature=0.7,
        use_mtp=True,         # เปิด MTP speculative (ถ้า backend รองรับ)
    )
)

# Step เดียว
result = wm.step(
    observation="คุณอยู่ในห้องครัว มีแอปเปิ้ลบนโต๊ะ",
    action="หยิบแอปเปิ้ล",
    history=[],
    env_spec="ALFWorld: ห้องครัว, เป้าหมาย=นำแอปเปิ้ลไปตู้เย็น"
)
print(result.next_observation)  # "คุณหยิบแอปเปิ้ลสำเร็จ ..."
print(result.reward, result.done)

# Rollout หลายก้าว (dream)
trajectory = wm.rollout(
    initial_observation="หน้า WebShop: ค้นหา 'หูฟังไร้สาย'",
    actions=["ค้นหา 'Sony WH-1000XM5'", "คลิกผลลัพธ์แรก", "เพิ่มลงตะกร้า"],
    env_spec="WebShop"
)

ดู examples/quickstart.py สำหรับตัวอย่างเต็ม

2. Dream Engine — ฝึกเอเจนต์ในความฝัน

from qwen_agent_world.simulation import DreamEngine
from qwen_agent_world.environments import get_env

engine = DreamEngine(world_model=wm, env_name="alfworld")
# เก็บ trajectory จริงเล็กน้อยเพื่อ seed
engine.seed_from_real_env(get_env("alfworld"), episodes=5)
# ฝันต่อ 100 episodes โดยไม่แตะ env จริง
dreams = engine.dream(episodes=100, max_steps=30)
# ใช้ dreams ไป train agent (REINFORCE/PPO/SFT)

ดู examples/agent_in_dream.py

3. OpenAI-compatible Server

python scripts/inference.py --host 0.0.0.0 --port 8081
# หรือ
python -m qwen_agent_world.inference.server --gguf "D:\AGI\..." --port 8081

curl http://localhost:8081/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"qwen-agentworld","messages":[{"role":"user","content":"จำลอง WebShop: ..."}]}'

curl http://localhost:8081/v1/world/step -H "Content-Type: application/json" \
  -d '{"observation":"...","action":"...","env_spec":"alfworld"}'

---

World Model API

WorldStepResult ( qwen_agent_world/world_model.py:28 ):

@dataclass
class WorldStepResult:
    next_observation: str
    reward: float
    done: bool
    info: str
    thought: str          # โมเดลคิดอะไร (reasoning)
    raw_output: str       # JSON ดิบ
    latency_ms: float

---

Training

เตรียม dataset (trajectory JSONL)

{"env":"alfworld","observations":["You are in kitchen..."],"actions":["go to table"],"next_observations":["You see apple..."],"rewards":[0],"dones":[false]}

LoRA finetune (แนะนำสำหรับ 27B บน 24GB)

python scripts/train.py --config configs/training.yaml

configs/training.yaml ตั้ง LoRA r=64, alpha=128, dropout=0.05 เฉพาะ q_proj,k_proj,v_proj,o_proj,gate_proj,up_proj,down_proj + ssm layers, 4-bit quantization (QLoRA) ถ้าใช้ bitsandbytes

Reward Model

from qwen_agent_world.training import RewardModel
rm = RewardModel(base_model="Qwen-AgentWorld")
score = rm.score(observation, action, next_observation)  # float

---

Ollama / llama.cpp

Ollama ( Modelfile ):

FROM D:\AGI\Qwen3.8-27B-TurboFCFusion-735-882-Here-Uncen-NEO-CODER-MAX-MTP-IQ4_NL.gguf
PARAMETER num_ctx 32768
PARAMETER temperature 0.7
SYSTEM """You are Qwen-AgentWorld, a native language world model..."""

ollama create qwen-agentworld -f Modelfile
ollama run qwen-agentworld "จำลอง ALFWorld: ..."

llama.cpp โดยตรง:

llama-server --model "D:\AGI\Qwen3.8-27B-....gguf" --ctx-size 32768 --n-gpu-layers 65 --port 8080

---

Evaluation

python scripts/evaluate.py --env alfworld --episodes 50 --max-steps 30
python scripts/benchmark.py --suite all

Metrics ( qwen_agent_world/utils/metrics.py ):

• Next-obs fidelity : BLEU / ROUGE / BERTScore vs ground truth
• Reward MSE / Accuracy
• Done F1
• Trajectory consistency (rollout หลายก้าวแล้วตรวจ coherence)
• Agent success rate in dream vs real

---

อ้างอิงสถาปัตยกรรม GGUF

---

License & Credits

• Base model weights: ตาม license ของผู้ปล่อย GGUF ต้นทาง (Brainwaves/NM/HERETIC fusion)
• Code ใน Qwen-AgentWorld/ : MIT — สร้างใหม่สำหรับโปรเจกต์นี้
• Qwen3.5 architecture: Alibaba Cloud Qwen team

---

สร้างเมื่อ 2026-09-04 บน RTX 3090 — D:\AGI