JawabanDipublikasikan16 sumber
Apa Itu AgentGarten? Cara MirroS Membuat Dunia Interaktif untuk AI
AgentGarten memakai kode simulator yang dapat diubah untuk mengatur dunia, sementara neural renderer menghasilkan tampilan visual bagi agen AI. Agen berinteraksi melalui potongan video singkat, lalu dapat menulis pelajaran dari setiap ronde ke playbook untuk digunakan pada ronde berikutnya.
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- AgentGarten memakai kode simulator yang dapat diubah untuk mengatur dunia, sementara neural renderer menghasilkan tampilan visual bagi agen AI.
- Agen berinteraksi melalui potongan video singkat, lalu dapat menulis pelajaran dari setiap ronde ke playbook untuk digunakan pada ronde berikutnya.
- Demonstrasi MirroS menunjukkan agen mempelajari beberapa strategi dalam hitungan ronde, tetapi hasil tersebut belum membuktikan bahwa perilakunya dapat diterapkan pada robot di dunia nyata.
AI Perintah
openai.comCreate a landscape editorial hero image for this Studio Global article: What is MirroS’s open-source AgentGarten framework, whose code, technical report and project page were reported publicly available by QbitAI. Article summary: AgentGarten is MirroS’s open-source research framework for creating interactive “code worlds”: executable simulators determine what happens, while a shared neural renderer determines what agents see. QbitAI’s October 9, . Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
AgentGarten adalah kerangka riset MirroS untuk membuat lingkungan interaktif bagi agen AI. Simulator atau mesin gim mengatur keadaan dunia dan menjalankan aturan yang ditulis dalam kode, sedangkan neural renderer menghasilkan tampilan visual yang diterima agen. QbitAI melaporkan pada 9 Oktober 2026 bahwa kode, laporan teknis, dan laman proyeknya tersedia untuk publik. AgentGarten merupakan lingkungan latihan untuk penelitian, bukan produk robot yang sudah diterapkan. 1
7
Aturan dunia dan tampilannya dibuat terpisah
Simulator mempertahankan keadaan dunia dan menjalankan aturan yang ditentukan lewat program, termasuk fisika, interaksi antarbenda, dan hasil permainan. Setelah itu, renderer mengubah informasi geometris—seperti kedalaman atau arah permukaan dari sudut pandang kamera agen—menjadi pengamatan visual. Dengan pemisahan ini, aturan simulasi tetap eksplisit, sementara satu renderer dapat digunakan untuk menghasilkan tampilan di berbagai lingkungan. 1
5
Pendekatan tersebut berbeda dari model video yang sekaligus mereka-reka tampilan dan perilaku fisik sebuah dunia. Secara desain, lingkungan baru juga dapat dibuat tanpa harus menyiapkan aset visual terperinci dari awal untuk setiap adegan. Namun, ini merupakan tujuan arsitekturnya, bukan bukti bahwa seluruh biaya pembuatan lingkungan bisa dihilangkan. 1
5
Potongan video singkat membentuk siklus aksi dan pengamatan
Alih-alih membuat satu video panjang yang sudah ditentukan dari awal, AgentGarten menghasilkan video dalam potongan-potongan pendek secara berurutan. Agen dapat bertindak, menerima pengamatan visual baru, lalu menggunakannya untuk menentukan tindakan berikutnya. Renderer mempertimbangkan informasi geometri serta riwayat visual sebelumnya, sehingga tampilan yang dihasilkan mengikuti simulasi yang terus berubah. 1
7
23
Apa peran Adversarial Forcing?
Adversarial Forcing adalah metode untuk melatih renderer, bukan cara agen menulis playbook. Metode ini menyuling model video autoregresif menjadi renderer yang dapat menghasilkan video dengan lebih sedikit langkah. Dengan pemutaran ulang yang persis, kerugian dari potongan video berikutnya dapat memperbarui cara model mengodekan riwayat yang dihasilkan sebelumnya. Pendekatan ini juga memakai diskriminator yang dilatih dengan video nyata untuk meningkatkan kualitas visual saat rangkaian video dibuat lebih panjang. 8
23
MirroS menyajikan teknik-teknik tersebut sebagai upaya mengatasi penurunan kualitas visual dalam proses generasi yang panjang, termasuk pergeseran tampilan dan artefak menyerupai kisi. Teknik itu tidak mengubah aturan simulator dan tidak menjamin setiap rangkaian hasil render selalu akurat. 23
Angka real-time yang dilaporkan MirroS
MirroS melaporkan bahwa renderer dapat memproses lebih dari 30 frame per detik pada resolusi 480p menggunakan satu GPU. Untuk mencapainya, sistem memanfaatkan kernel Triton khusus, CUDA graphs, dan decoder ringan. Angka ini mengukur kinerja renderer—bukan berarti seluruh agen, termasuk proses penalarannya, mengambil lebih dari 30 keputusan per detik. 8
23
Agen meneruskan pengalaman lewat playbook
Agen mengamati tampilan dari sudut pandang orang pertama yang dihasilkan renderer, lalu menjalankan tindakan melalui program Python singkat. Setelah satu ronde, agen merangkum pelajarannya dalam playbook teks yang dapat diwarisi oleh agen pada ronde selanjutnya. Dengan demikian, pendekatan yang dilaporkan bertumpu pada latihan agen pralatih dan panduan yang terkumpul, bukan melatih agen dari nol menggunakan reinforcement learning. 1
8
Dalam demonstrasi permainan petak umpet, MirroS melaporkan bahwa agen mulai membangun perlindungan pada ronde keempat dan menggunakan ramp untuk memanjat tembok pada ronde kesepuluh. MirroS membandingkan hasil itu dengan sebuah studi tahun 2019: pembangunan perlindungan muncul setelah sekitar 25 juta episode, sementara penggunaan ramp muncul setelah total kira-kira 100 juta episode. Ini perbandingan ilustratif antara dua pendekatan pembelajaran yang berbeda, bukan pengukuran terkontrol atas efisiensi sampel yang setara. 1
10
Contoh lain yang dilaporkan setelah empat ronde mencakup skor interaksi dengan anjing pendamping yang meningkat dari 13 menjadi 19; dua mobil yang menyeberangi jembatan satu jalur dalam 41 detik, turun dari 71 detik; serta dua anjing yang berhasil menggiring keempat domba ke dalam kandang, setelah sebelumnya hanya tiga. Dalam tugas memuat material di area tambang, agen dilaporkan selesai 31 detik sebelum batas waktu. Hasil tersebut berlaku untuk demonstrasi tugas yang ditampilkan dan belum menunjukkan keandalan luas di luar kondisi itu. 8
10
Apa yang ditunjukkan—dan belum ditunjukkan—AgentGarten
Gagasan utama AgentGarten adalah menggabungkan aturan dunia yang eksplisit dan dapat diubah, pengamatan visual yang dihasilkan model, serta pengalaman agen yang dapat digunakan kembali. Struktur ini memungkinkan peneliti mempelajari cara agen bertindak dan berkembang di lingkungan interaktif yang meniru aspek dunia fisik. Demonstrasi yang dilaporkan menjanjikan, tetapi belum membuktikan bahwa perilaku yang dipelajari dapat berpindah ke robot nyata atau bahwa AgentGarten siap diterapkan di dunia fisik. 1
8
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Apa Itu AgentGarten? Cara MirroS Membuat Dunia Interaktif untuk AI"?
AgentGarten memakai kode simulator yang dapat diubah untuk mengatur dunia, sementara neural renderer menghasilkan tampilan visual bagi agen AI.
Apa poin penting yang harus divalidasi terlebih dahulu?
AgentGarten memakai kode simulator yang dapat diubah untuk mengatur dunia, sementara neural renderer menghasilkan tampilan visual bagi agen AI. Agen berinteraksi melalui potongan video singkat, lalu dapat menulis pelajaran dari setiap ronde ke playbook untuk digunakan pada ronde berikutnya.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Demonstrasi MirroS menunjukkan agen mempelajari beberapa strategi dalam hitungan ronde, tetapi hasil tersebut belum membuktikan bahwa perilakunya dapat diterapkan pada robot di dunia nyata.