RespostasPublicado16 fontes
AgentGarten cria mundos virtuais para agentes de IA praticarem
No AgentGarten, o código define o estado e as regras do mundo; um renderizador neural gera as imagens vistas pelo agente. A geração em trechos curtos de vídeo permite que o agente aja, observe o resultado e escolha a próxima ação.
Publicado porEditado com GPT-6 LunaImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- No AgentGarten, o código define o estado e as regras do mundo; um renderizador neural gera as imagens vistas pelo agente.
- A geração em trechos curtos de vídeo permite que o agente aja, observe o resultado e escolha a próxima ação.
- Após cada rodada, agentes registram aprendizados em manuais de texto que podem ser herdados por agentes de rodadas seguintes — sem treinamento por reforço do zero.
Prompt de IA
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
O AgentGarten é uma estrutura de pesquisa da MirroS para criar ambientes interativos em que o código executável define o que acontece, enquanto um renderizador neural gera o que o agente de IA vê. Em 9 de outubro de 2026, o veículo QbitAI informou que o código, o relatório técnico e a página do projeto estavam disponíveis publicamente. A proposta é oferecer um ambiente de prática para agentes — não apresentar um robô pronto para uso. 1
7
Regras do mundo em uma camada, aparência em outra
O simulador ou motor de jogo mantém o estado do ambiente e executa regras definidas em código, que podem envolver física, interação com objetos e resultados de uma tarefa. O renderizador transforma informações geométricas — como profundidade e orientação das superfícies captadas pela câmera do agente — em imagens. A ideia é manter explícitas as regras da simulação e, ao mesmo tempo, usar um renderizador compartilhado para dar aparência visual aos ambientes. 1
5
Essa divisão difere de deixar um modelo de vídeo inventar tanto a cena quanto seu comportamento físico. Também pode facilitar a criação de ambientes variados sem produzir um novo conjunto de recursos visuais detalhados para cada cenário. É um objetivo da arquitetura, não uma demonstração de que todos os custos de criação de ambientes foram eliminados. 1
5
Vídeo em trechos mantém a interação em andamento
Em vez de gerar um clipe inteiro e fixo, o AgentGarten produz trechos curtos de vídeo em sequência. Assim, o agente pode realizar uma ação, receber uma nova observação visual e usá-la para decidir o que fazer depois. O renderizador leva em conta a geometria e o histórico visual recente, conectando as imagens geradas às mudanças no estado da simulação. 1
7
23
O papel do Adversarial Forcing
O Adversarial Forcing é um método de treinamento do renderizador — não é o processo pelo qual os agentes escrevem seus manuais de estratégia. Ele destila um modelo de vídeo autorregressivo em um renderizador que gera imagens em menos etapas. Com a reprodução exata de uma sequência, erros nos trechos posteriores podem atualizar a forma como o modelo codifica o histórico visual que gerou antes. O método também usa um discriminador treinado com vídeos reais para melhorar a qualidade visual em sequências mais longas. 8
23
A MirroS apresenta essas técnicas como formas de reduzir a degradação visual ao longo da geração, incluindo desvios e artefatos em forma de grade. Isso não altera as regras do simulador nem garante que toda sequência renderizada será precisa. 23
O que significa a velocidade divulgada
A MirroS relata que o renderizador supera 30 quadros por segundo em resolução de 480p, em uma única GPU, com kernels Triton personalizados, CUDA graphs e um decodificador leve. Esse número se refere à velocidade do renderizador: não significa que um agente completo, incluindo seu raciocínio, tome mais de 30 decisões por segundo. 8
23
Agentes passam aprendizados adiante
Os agentes observam imagens em primeira pessoa e executam ações por meio de pequenos programas em Python. Depois de cada rodada, registram o que aprenderam em manuais de texto, que agentes de rodadas posteriores podem herdar. Portanto, a abordagem parte da prática de um agente pré-treinado e do acúmulo de orientações, em vez de treinar um agente do zero com aprendizado por reforço. 1
8
Nas demonstrações de esconde-esconde, a MirroS relata que os agentes construíram abrigos até a quarta rodada e aprenderam a usar rampas para escalar muros até a décima. A empresa compara esses resultados com um estudo de 2019, no qual a construção de abrigos surgiu após cerca de 25 milhões de episódios e o uso de rampas após aproximadamente 100 milhões de episódios acumulados. É uma comparação ilustrativa entre métodos de aprendizagem diferentes, não um teste controlado de eficiência com condições equivalentes. 1
10
Outras demonstrações de quatro rodadas incluem a pontuação de engajamento de um cão de companhia, que passou de 13 para 19; dois carros atravessando uma ponte de pista única em 41 segundos, em vez de 71; e dois cães que passaram de conduzir três ovelhas para um cercado a conduzir as quatro. Em uma tarefa de carregamento em pedreira, os agentes teriam terminado 31 segundos antes do prazo. Os exemplos mostram resultados nas tarefas apresentadas, mas não comprovam confiabilidade ampla fora dessas demonstrações. 8
10
Uma plataforma de pesquisa, não um robô pronto
A ideia central do AgentGarten é combinar regras de mundo explícitas e editáveis, imagens geradas por modelo e experiência reutilizável dos agentes. Essa estrutura permite estudar como agentes se comportam e melhoram em ambientes interativos com características físicas. Os resultados divulgados são demonstrações de pesquisa: não provam que os comportamentos aprendidos serão transferidos para robôs reais nem que o sistema esteja pronto para uso no mundo físico. 1
8
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "AgentGarten cria mundos virtuais para agentes de IA praticarem"?
No AgentGarten, o código define o estado e as regras do mundo; um renderizador neural gera as imagens vistas pelo agente.
Quais são os pontos-chave para validar primeiro?
No AgentGarten, o código define o estado e as regras do mundo; um renderizador neural gera as imagens vistas pelo agente. A geração em trechos curtos de vídeo permite que o agente aja, observe o resultado e escolha a próxima ação.
O que devo fazer a seguir na prática?
Após cada rodada, agentes registram aprendizados em manuais de texto que podem ser herdados por agentes de rodadas seguintes — sem treinamento por reforço do zero.