AnswersPublished16 sources
AgentGarten. Kod ustala reguły, AI pokazuje świat
W AgentGarten reguły świata określa kod symulatora, a neuronowy renderer generuje obraz widziany przez agenta AI. System ma łączyć kontrolę nad fizyką i zasadami gry z realistycznymi obserwacjami, bez tworzenia osobnych, szczegółowych grafik dla każdej sceny.
Opublikowane przezEdytowane za pomocą GPT-6 LunaObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- W AgentGarten reguły świata określa kod symulatora, a neuronowy renderer generuje obraz widziany przez agenta AI.
- System ma łączyć kontrolę nad fizyką i zasadami gry z realistycznymi obserwacjami, bez tworzenia osobnych, szczegółowych grafik dla każdej sceny.
- Agenci wykonują działania za pomocą krótkich programów w Pythonie, a po rundzie zapisują wnioski do podręczników wykorzystywanych później — to praktyka oparta na doświadczeniu, a nie uczenie ze wzmocnieniem od zera.
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 to framework badawczy MirroS do tworzenia interaktywnych środowisk, w których wykonywalny kod decyduje o tym, co dzieje się w świecie, a neuronowy renderer generuje obraz widziany przez agenta AI. QbitAI informował 9 października 2026 r., że udostępniono kod projektu, raport techniczny i jego stronę internetową. To środowisko do ćwiczenia agentów, a nie gotowy produkt z robotem przeznaczonym do wdrożenia. 1
7
Zasady świata osobno, jego wygląd osobno
Symulator lub silnik gry przechowuje stan świata i wykonuje reguły zapisane w programie. Mogą one określać między innymi fizykę, interakcje z obiektami i warunki zwycięstwa. Renderer przekształca następnie dane geometryczne — na przykład informacje o głębi lub kierunku powierzchni z kamery agenta — w obraz. Taki podział ma zachować jawne zasady symulacji, a zarazem pozwolić wspólnemu rendererowi nadawać scenom wygląd. 1
5
To inne podejście niż wykorzystanie modelu wideo do wymyślania zarówno sceny, jak i rządzącej nią fizyki. Może też ułatwić tworzenie zróżnicowanych środowisk bez przygotowywania od podstaw szczegółowych zasobów graficznych dla każdej sceny. To założenie architektoniczne — nie dowód, że koszty budowania środowisk znikają całkowicie. 1
5
Krótkie fragmenty wideo tworzą pętlę działania i obserwacji
AgentGarten generuje wideo w kolejnych, krótkich fragmentach, zamiast od razu tworzyć cały, z góry ustalony klip. Agent może wykonać działanie, otrzymać nową obserwację i na jej podstawie wybrać następny krok. Renderer uwzględnia geometrię oraz wcześniejszy obraz, dzięki czemu generowane widoki są powiązane ze zmieniającym się stanem symulacji. 1
7
23
Do czego służy Adversarial Forcing
Adversarial Forcing to metoda trenowania renderera, a nie sposób, w jaki agenci tworzą swoje podręczniki strategii. Technika ta destyluje autoregresyjny model wideo do renderera, który może generować obraz w mniejszej liczbie kroków. Dzięki dokładnemu odtwarzaniu przebiegu straty z późniejszych fragmentów wideo mogą aktualizować sposób, w jaki model koduje wcześniejszą, wygenerowaną historię. Podejście wykorzystuje też dyskryminator trenowany na rzeczywistych nagraniach, by poprawiać jakość obrazu podczas dłuższych sekwencji. 8
23
MirroS przedstawia te techniki jako sposób na ograniczenie pogarszania się obrazu w trakcie długiego generowania, w tym dryfu i artefaktów przypominających siatkę. Nie zmieniają one jednak reguł symulatora ani nie gwarantują, że każda wygenerowana sekwencja będzie wierna rzeczywistości. 23
Co oznacza wynik „ponad 30 klatek na sekundę”
MirroS podaje, że renderer osiąga przepustowość ponad 30 klatek na sekundę w rozdzielczości 480p na jednej karcie GPU. Wykorzystuje przy tym własne kernele Triton, CUDA Graphs i lekki dekoder. To wynik dotyczący wydajności renderera — nie deklaracja, że cały agent, wraz z procesem rozumowania, podejmuje ponad 30 decyzji na sekundę. 8
23
Agenci przekazują doświadczenia w podręcznikach
Agenci oglądają generowane widoki z perspektywy pierwszej osoby i wykonują działania za pomocą krótkich programów w Pythonie. Po każdej rundzie zapisują wnioski w tekstowych podręcznikach, które mogą przejąć agenci w kolejnych rundach. Opisany mechanizm opiera się więc na praktyce wstępnie wytrenowanego agenta i gromadzeniu wskazówek, a nie na trenowaniu od zera metodą uczenia ze wzmocnieniem. 1
8
W demonstracjach zabawy w chowanego MirroS podaje, że agenci nauczyli się budować kryjówki do czwartej rundy, a do dziesiątej — wspinać po ścianie z pomocą rampy. Firma porównuje te wyniki z badaniem z 2019 r., w którym budowanie kryjówki pojawiło się po około 25 milionach epizodów, a używanie rampy po łącznie około 100 milionach. To poglądowe zestawienie różnych sposobów uczenia, a nie kontrolowane porównanie ich efektywności przy równoważnych warunkach. 1
10
Wśród innych demonstracji obejmujących cztery rundy znalazły się: wzrost wyniku zaangażowania psa towarzyszącego z 13 do 19, skrócenie przeprawy dwóch samochodów przez jednopasmowy most z 71 do 41 sekund oraz zagrodzenie wszystkich czterech owiec przez dwa psy — początkowo udawało im się zagrodzić trzy. W zadaniu załadunku w kamieniołomie agenci mieli zakończyć pracę 31 sekund przed terminem. Są to wyniki przedstawionych zadań, a nie dowód szerokiej niezawodności poza demonstracjami. 8
10
Co AgentGarten pokazuje — a czego nie
Główna idea badawcza AgentGarten polega na połączeniu jawnych, edytowalnych zasad świata z generowanymi obrazami i doświadczeniem agentów, które można przekazywać dalej. Taka struktura pozwala badać zachowanie agentów oraz ich postępy w interaktywnych, przypominających fizyczny świat środowiskach. Zaprezentowane wyniki są obiecującymi demonstracjami, ale nie dowodzą, że wyuczone zachowania przenoszą się na prawdziwe roboty ani że AgentGarten jest gotowy do zastosowań w świecie fizycznym. 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 "AgentGarten. Kod ustala reguły, AI pokazuje świat"?
W AgentGarten reguły świata określa kod symulatora, a neuronowy renderer generuje obraz widziany przez agenta AI.
What are the key points to validate first?
W AgentGarten reguły świata określa kod symulatora, a neuronowy renderer generuje obraz widziany przez agenta AI. System ma łączyć kontrolę nad fizyką i zasadami gry z realistycznymi obserwacjami, bez tworzenia osobnych, szczegółowych grafik dla każdej sceny.
What should I do next in practice?
Agenci wykonują działania za pomocą krótkich programów w Pythonie, a po rundzie zapisują wnioski do podręczników wykorzystywanych później — to praktyka oparta na doświadczeniu, a nie uczenie ze wzmocnieniem od zera.