AnswersPublished16 sources
Come funziona AgentGarten, il mondo virtuale in cui gli agenti AI imparano dall’esperienza
In AgentGarten il codice governa lo stato e le regole del mondo, mentre un renderer neurale genera le immagini mostrate agli agenti AI. Il sistema produce brevi sequenze video in successione, così l’agente può agire, osservare l’esito e scegliere la mossa successiva.
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- In AgentGarten il codice governa lo stato e le regole del mondo, mentre un renderer neurale genera le immagini mostrate agli agenti AI.
- Il sistema produce brevi sequenze video in successione, così l’agente può agire, osservare l’esito e scegliere la mossa successiva.
- Gli agenti registrano le lezioni apprese in manuali che possono essere ereditati nelle sessioni successive: è pratica basata sull’esperienza, non addestramento da zero con apprendimento per rinforzo.
AI Prompt
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 è un framework di ricerca di MirroS per creare ambienti interattivi in cui il codice eseguibile stabilisce cosa accade e un renderer neurale genera ciò che vede un agente AI. Il 9 ottobre 2026 QbitAI riferiva che erano disponibili il codice del progetto, una relazione tecnica e una pagina dedicata. L’obiettivo è offrire agli agenti un ambiente in cui fare pratica: il progetto non dimostra l’esistenza di un prodotto robotico già operativo. 1
7
Le regole del mondo e il suo aspetto sono separati
Un simulatore o un motore di gioco mantiene lo stato del mondo ed esegue le regole definite tramite codice: per esempio, quelle che riguardano la fisica, le interazioni tra oggetti e gli esiti del gioco. Il renderer trasforma poi informazioni geometriche strutturate — come la profondità o l’orientamento delle superfici ripresi dalla telecamera dell’agente — in osservazioni visive. L’idea è mantenere esplicite le regole della simulazione e affidare a un renderer condiviso la resa dell’ambiente. 1
5
È un approccio diverso da quello di un modello video a cui si chieda di inventare sia la scena sia il comportamento fisico. Può inoltre consentire di creare ambienti diversi senza realizzare ogni volta un nuovo insieme di risorse grafiche dettagliate. Si tratta però di un obiettivo architetturale, non della prova che i costi di creazione degli ambienti siano stati eliminati. 1
5
Brevi sequenze video per un ciclo continuo di azione e osservazione
AgentGarten genera il video in brevi segmenti successivi, anziché chiedere al renderer di produrre una clip completa e immutabile. L’agente può compiere un’azione, ricevere una nuova osservazione visiva e usarla per decidere cosa fare dopo. Il renderer condiziona le immagini alla geometria e alla storia visiva precedente, collegando ciò che l’agente vede ai cambiamenti della simulazione. 1
7
23
Che cosa fa Adversarial Forcing
Adversarial Forcing è un metodo di addestramento del renderer, non il processo con cui gli agenti scrivono i propri manuali di strategie. Il metodo distilla un modello video autoregressivo in un renderer capace di generare immagini in meno passaggi. Grazie alla riproduzione esatta delle sequenze, gli errori nei segmenti video successivi possono aggiornare il modo in cui il modello codifica la storia generata in precedenza. Il metodo usa anche un discriminatore addestrato su video reali per migliorare la qualità visiva durante le generazioni più lunghe. 8
23
MirroS presenta queste tecniche come un modo per contrastare il deterioramento visivo nel corso di generazioni prolungate, compresi gli scostamenti progressivi e gli artefatti a griglia. Non modificano le regole del simulatore e non garantiscono che ogni sequenza generata resti accurata. 23
Che cosa indica la velocità dichiarata
MirroS riporta una velocità del renderer superiore a 30 fotogrammi al secondo, a 480p e su una singola GPU, grazie a kernel Triton personalizzati, CUDA graphs e un decoder leggero. È una misura delle prestazioni del renderer: non significa che un agente, compreso il tempo necessario per ragionare, prenda più di 30 decisioni al secondo. 8
23
Gli agenti si trasmettono le lezioni apprese
Gli agenti osservano immagini in prima persona e impartiscono le proprie azioni tramite brevi programmi Python. Al termine di ogni turno, registrano ciò che hanno imparato in manuali testuali, che gli agenti dei turni successivi possono ereditare. L’approccio descritto parte quindi dall’esperienza di un agente preaddestrato e dalle indicazioni accumulate, anziché addestrare un agente da zero con l’apprendimento per rinforzo. 1
8
Nelle dimostrazioni di nascondino, MirroS riferisce che gli agenti imparano a costruire ripari entro il quarto turno e a usare una rampa per superare un muro entro il decimo. L’azienda confronta questi risultati con uno studio del 2019, in cui la costruzione di ripari emergeva dopo circa 25 milioni di episodi e l’uso delle rampe dopo circa 100 milioni. È un confronto illustrativo tra metodi di apprendimento diversi, non una misurazione controllata della loro efficienza a parità di condizioni. 1
10
Tra le altre dimostrazioni riportate su quattro turni: il punteggio di coinvolgimento di un cane da compagnia sale da 13 a 19; due auto attraversano un ponte a corsia unica in 41 secondi invece che in 71; due cani riescono a spingere nel recinto tutte e quattro le pecore, dopo averne confinate inizialmente tre. In una prova di carico in cava, gli agenti avrebbero terminato 31 secondi prima della scadenza. Sono risultati relativi ai compiti presentati, non una prova di affidabilità generale al di fuori di quelle dimostrazioni. 8
10
Che cosa dimostra — e che cosa no — AgentGarten
L’idea centrale di AgentGarten è combinare dinamiche del mondo esplicite e modificabili, osservazioni visive generate e un’esperienza riutilizzabile dagli agenti. Questa struttura permette di studiare come gli agenti si comportano e migliorano in ambienti interattivi che imitano aspetti del mondo fisico. Le dimostrazioni sono promettenti, ma non provano che i comportamenti appresi si trasferiscano a robot reali né che AgentGarten sia pronto per essere impiegato nel mondo fisico. 1
8
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Come funziona AgentGarten, il mondo virtuale in cui gli agenti AI imparano dall’esperienza"?
In AgentGarten il codice governa lo stato e le regole del mondo, mentre un renderer neurale genera le immagini mostrate agli agenti AI.
What are the key points to validate first?
In AgentGarten il codice governa lo stato e le regole del mondo, mentre un renderer neurale genera le immagini mostrate agli agenti AI. Il sistema produce brevi sequenze video in successione, così l’agente può agire, osservare l’esito e scegliere la mossa successiva.
What should I do next in practice?
Gli agenti registrano le lezioni apprese in manuali che possono essere ereditati nelle sessioni successive: è pratica basata sull’esperienza, non addestramento da zero con apprendimento per rinforzo.