把“会跑的代码世界”装进AI，Meta重磅开源首个代码世界模型：让AI像程序员一样思考

ttxx

今日凌晨，Meta FAIR 团队重磅发布了 Code World Model（CWM）——一个参数量为 32B、支持最长 131k token 上下文的开放权重 LLM。

根据Meta 官方介绍，CWM 的目标很明确：把“世界模型”的思想带到代码生成与推理中，让模型不仅会写代码，还能模拟代码执行过程、推理程序状态、自我检测并修复Bug。

值得一提的是，为了支持社区在“代码世界模型”方向的研究，此次Meta还开源了CWM在中期训练（mid-training）、SFT和RL 阶段的权重检查点。为此，Meta 首席 AI 官Alexandr Wang 还在 X 上呼吁：“我们鼓励研究界对这个开放权重的模型进行研究！”

为什么要把“世界模型”带入代码领域？

在CWM研究论文开篇，Meta团队就提到，当前传统的代码预训练是把代码视为静态文本，模型主要学习从左到右、从上到下逐行预测代码——换句话说，模型学到的是语法、常见模式和命名约定，但并不懂执行过程。

“我们认为这还不够——要真正掌握编码，不仅要了解代码长什么样，更要了解代码执行时的作用。”

这种技能对软件工程师的日常工作至关重要：在局部层面，他们了解一行代码的执行如何改变局部变量的状态；在全局层面，他们可以预测代码库的变化将如何影响程序的输出。

基于此，CWM 的核心出发点是：要把“世界模型”的想法带进代码领域，让模型学会观察——行动——观察的执行轨迹，从而提升生成代码的可执行性、可验证性与自我修复能力。

怎么做到从“看代码”到“看世界”？

如开头所说，CWM 是一个32B 参数、支持超长上下文（最高可到 131k tokens）的 LLM，为此它采用了局部+全局交替机制和长序列稳定化技巧。训练分为三大阶段进行：

●预训练阶段：使用大规模通用语料与代码语料（约8T tokens，其中代码占比约 30%），为模型打基础，早期上下文长度为 8k token。

●中期训练阶段：引入了 5T tokens 的世界建模数据，将上下文长度扩展到 131k tokens，这一步也是把世界模型能力“内化”的核心。

●后训练阶段（SFT + RL）：先做 SFT（100B tokens，32k 上下文）强化 instruction 与推理能力，然后做大规模多任务多回合 RL（172B tokens，131k 上下文），训练目标覆盖可验证的编码、算法题与软件工程交互。

其中，据Meta 团队介绍，CWM 的世界模型能力主要靠中期训练阶段的两类数据驱动：

（1）Python 执行轨迹（execution traces）：把函数或测试在解释器中执行的中间栈帧与局部变量状态序列化为observation→action→observation 的形式，并以专用格式喂给模型，让模型学会预测“下一步执行会如何改变局部状态”。

据了解，Meta喂给CWM的这一类数据覆盖函数级、竞赛题解、以及仓库单元测试轨迹，总量非常大。通过学习这类数据，模型就能在没有真实运行环境时模拟代码执行路径。

（2）Agent与环境的交互轨迹：用一个自动化 Agent在可执行的仓库镜像里“觅食”——执行 Bash、编辑文件、运行测试，去修Bug 或实现缺失功能。据悉，Meta由此收集的此类数据量也很庞大：“从 10.2 万张图片和 3.15 万个底层存储库中收集了约 300 万条轨迹。”

这些动态轨迹数据，直接把Agent 与环境的交互经验提前放到中期训练中，帮助模型学会“用工具修复软件”的编码思路，尤其对多回合软件工程任务帮助很大。

除此之外，Meta还分享了CWM在后训练阶段中的两处工程细节：

首先，在 SFT 阶段引入特定的“推理 token”（reasoningtoken），帮助模型区分直答与推理过程；到了 RL 阶段，改用更灵活的 <think> 标签以鼓励模型形成自己的推理路径；其次，使用自举策略，即把早期 RL 模型生成的高质量轨迹回流到 SFT，形成良性循环，既能稳步提升 Agentic 能力，又能降低 RL 的训练噪声。

在基准测试中，CWM表现强劲

在Meta论文公布的基准测试中，CWM 在代码修复类与数学题上表现强劲：

●在 SWE-bench Verified 上，CWM 在启用 Test-Time-Scaling（多候选并投票）时能达到 65.8% pass@1，未启用时为 53.9%；

●在 LiveCodeBench、Math-500、AIME 等基准上也有亮眼结果：在 LiveCodeBench 上取得 68.6%；在 Math-500 上达到 96.6%；在 AIME 2024 上达到 76.0%。

以上面这张SWE-bench Verified（该测试要求 AI 模型修复 GitHub 项目中的实际错误）得分为例，可以看出CWM不仅领先于其他参数量相近的开源模型，甚至能与更大或闭源的 LLM相媲美，已接近 GPT-4 水平。

不过Meta也坦言CWM 并非无可挑剔，因为它并非通用聊天模型，在某些编辑格式或多语言场景仍有差距；而且大量Agentic训练可能引入“格式化噪音”，需要用筛选与自举手段来缓解。

来自业界的赞许与质疑

从社交平台的刷屏程度来看，今天CWM的发布显然引起了广泛关注——毕竟，这是Meta高调重组其AI 业务后推出的首款模型。

除了开头提到的Alexandr Wang，多位MetaAI研究人员都进行了宣传与分享。例如，CWM 资深核心贡献者 GabrielSynnaeve简单复盘了CWM的研究思路；Yann LeCun也转发了Gabriel Synnaeve的帖子，并用一句话总结：

“代码世界模型（CWM）：通过想象执行指令的效果和规划产生预期效果的指令来生成代码。”

与此同时，业界对于CWM 的发布也普遍表示好奇与欢迎，尤其赞赏 Meta 不只是开源最终模型，还公开了从中期训练到 SFT 与 RL 各阶段的检查点——这对学术与工程复现极其有用，在当前多家公司封闭策略的大环境下显得难能可贵。

然而，热情之余也伴随不少现实的质疑与顾虑。

不少开发者指出，希望CWM能与现有的代码生成系统进行独立的、面对面的比较，并在开发环境中进行实际试验。此外，毕竟 CWM 拥有 32B 参数，需要强大的计算能力，对于日常开发人员来说，或许轻量化的变体对他们而言才更有实感。正如 CTOL.digital 工程团队所说：“CWM是一项伟大的研究成果，编写扎实，前景光明，但我们还是需要实际测试它。”

那么，你认为CWM的发布意味着什么？如果 AI能真正理解代码执行并从此成为常态，我们又是否会进入一个软件开发新时代？

参考链接：

https://ai.meta.com/research/publications/cwm-an-open-weights-llm-for-research-on-code-generation-with-world-models/

https://www.ctol.digital/news/meta-drops-ai-that-gets-how-code-works-shaking-silicon-valley/


来源：36kr