대규모 인간 이동 시뮬레이션은 인구 이동 패턴을 이해하고 도시 계획, 유행병 대응, 교통 분석 등 실세계 지리공간 응용을 지원하는 데 근본적이다. 최근 연구들은 구조화된 추론을 사용하여 현실적인 이동 행동을 시뮬레이션하기 위해 대규모 언어 모델(LLM)을 인간 에이전트로 활용하지만, 높은 계산 비용이 확장성을 제한한다. 이에 우리는 재구성 가능한 캐시를 활용하여 효율적인 대규모 인간 이동 시뮬레이션을 가능하게 하는 이동성 인식 캐시 프레임워크 MobCache를 설계한다. MobCache는 (1) 각 추론 단계를 잠재 공간 임베딩으로 인코딩하고 잠재 공간 평가기를 사용하여 추론 단계의 재사용과 재결합을 가능하게 하는 추론 구성요소, (2) 이동 법칙 제약 지식 증류로 학습된 경량 디코더를 사용하여 잠재 공간 추론 연쇄를 자연어로 변환함으로써 충실도를 유지하면서 시뮬레이션 효율을 개선하는 디코딩 구성요소로 구성된다. 실험 결과 MobCache는 최신 LLM 기반 방법과 동등한 수준의 성능을 유지하면서 여러 차원에서 효율성을 크게 향상시킴을 보여준다.
Qwen-AgentWorld는 MCP·Search·Terminal 등 7개 에이전트 도메인의 환경 역학을 긴 사고의 연쇄(Chain-of-Thought) 추론으로 시뮬레이션하는 언어 월드 모델(LWM)로, 1,000만 건 이상의 상호작용 궤적과 CPT·SFT·RL 3단계 학습으로 구축되었으며 AgentWorldBench에서 기존 최신 모델을 크게 능가한다. 분리형 환경 시뮬레이터로는 수천 개 환경의 에이전트 강화학습(RL)을 지원해 실환경 단독 학습을 넘는 성능을 보이고, 통합형 에이전트 기반 모델로는 월드 모델 학습이 7개 에이전트 벤치마크의 효과적인 워밍업이 된다.
75,309건의 중국 민사 판결문 쌍을 바탕으로 5단계(7개 하위 시나리오) 인과 상태 체인으로 중국 민사 소송 전 과정을 시뮬레이션하는 LegalWorld 수명 주기 대화형 환경과 LongJud-Bench를 제안하며, 로컬·전역 사건 메모리와 Skill/Tool 라이브러리로 단계 간 분쟁 일관성을 유지한다. 법률 전문가 217명의 18,992건 평가로 절차적 충실성과 역할 일관성이 확인되었고, 교차 모델 평가에서는 상담·작성·법정 변론 전반을 모두 우위하는 단일 백본 모델은 없었다.