ОтветыОпубликовано16 источники
AgentGarten: миры для ИИ-агентов, где правила пишет код
AgentGarten использует программируемый симулятор для правил мира и нейросетевой рендерер — для визуальных наблюдений агента. Короткие видеопоследовательности позволяют агенту действовать, видеть результат и выбирать следующий шаг, а не наблюдать заранее созданный ролик.
ОпубликовалОтредактировано с помощью GPT-6 LunaИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- AgentGarten использует программируемый симулятор для правил мира и нейросетевой рендерер — для визуальных наблюдений агента.
- Короткие видеопоследовательности позволяют агенту действовать, видеть результат и выбирать следующий шаг, а не наблюдать заранее созданный ролик.
- После раундов агенты записывают опыт в текстовые плейбуки, которые могут использовать участники следующих раундов; это не обучение с нуля методом подкрепления.
Промпт ИИ
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 — исследовательская система MirroS для интерактивных виртуальных сред. Симулятор или игровой движок хранит состояние мира и определяет, что происходит, а нейросетевой рендерер создаёт изображение, которое видит ИИ-агент. 9 октября 2026 года издание QbitAI сообщило, что код проекта, технический отчёт и его сайт доступны публично. Речь идёт о среде для экспериментов и практики агентов, а не о готовом продукте для роботов. 1
7
Правила мира отдельно, картинка отдельно
Симулятор отвечает за состояние мира и заданные программой правила: например, физику, взаимодействие с предметами и условия победы. Рендерер превращает геометрические данные — в том числе карту глубины или информацию о направлении поверхностей, полученную с камеры агента, — в визуальное изображение. Такая архитектура позволяет сохранять правила явными и управляемыми, а для разных сцен использовать общий механизм визуализации. 1
5
Это другой подход, чем генерация видео, в которой модель одновременно придумывает и картинку, и то, как ведут себя объекты. Кроме того, он может избавить от необходимости создавать подробные визуальные ресурсы для каждой новой сцены. Но это именно цель архитектуры, а не доказательство того, что разработка виртуальных сред теперь обходится без затрат. 1
5
Действие — наблюдение — следующий шаг
AgentGarten генерирует видео короткими последовательными фрагментами, а не выдаёт заранее подготовленный ролик целиком. Агент совершает действие, получает новое изображение и на его основе выбирает, что делать дальше. Рендерер учитывает геометрию мира и предыдущие кадры, чтобы связывать картинку с меняющимся состоянием симуляции. 1
7
23
Для чего нужна Adversarial Forcing
Adversarial Forcing — метод обучения рендерера, а не способ, которым агенты составляют свои плейбуки. Он позволяет перенести возможности авторегрессионной видеомодели в более быструю модель, которой требуется меньше шагов для генерации. При точном повторном воспроизведении последовательности ошибки в поздних фрагментах видео могут повлиять на то, как модель кодирует предыдущую сгенерированную историю. В обучении также используется дискриминатор, работающий с реальным видео, чтобы улучшать визуальное качество длинных последовательностей. 8
23
MirroS описывает эти методы как попытку уменьшить ухудшение изображения при длительной генерации — например, дрейф и появление артефактов в виде сетки. При этом они не меняют правила симулятора и не гарантируют точность каждого сгенерированного кадра. 23
Что означает скорость выше 30 кадров в секунду
MirroS сообщает о производительности рендерера более 30 кадров в секунду при разрешении 480p на одном графическом процессоре. Для ускорения использованы собственные ядра Triton, CUDA graphs и облегчённый декодер. Это показатель скорости рендеринга, а не утверждение, что агент со всеми этапами рассуждения принимает более 30 решений в секунду. 8
23
Опыт передают через плейбуки
Агенты наблюдают от первого лица сгенерированное изображение и выполняют действия с помощью коротких программ на Python. После раунда они записывают выводы в текстовые плейбуки, которые могут унаследовать агенты следующих раундов. Таким образом, система использует опыт предварительно обученного агента и накопленные подсказки, а не обучает агента с нуля методом обучения с подкреплением. 1
8
В демонстрациях игры в прятки, по данным MirroS, к четвёртому раунду агенты научились строить укрытия, а к десятому — использовать рампу, чтобы перебираться через стену. Для сравнения компания приводит исследование 2019 года: там строительство укрытия появилось примерно после 25 миллионов эпизодов, а использование рампы — примерно после 100 миллионов эпизодов суммарно. Это иллюстративное сопоставление разных условий обучения, а не контролируемый эксперимент, измеряющий эффективность на равных условиях. 1
10
В других демонстрациях за четыре раунда показатель взаимодействия с собакой-компаньоном вырос с 13 до 19. Две машины стали проезжать по однополосному мосту за 41 секунду вместо 71, а две собаки научились загонять в загон всех четырёх овец — против трёх вначале. В задаче по загрузке материалов в карьере агенты, согласно отчёту, завершили работу за 31 секунду до истечения срока. Эти примеры показывают результаты в конкретных заданиях, но сами по себе не доказывают надёжность системы в широком спектре ситуаций. 8
10
Что показывает AgentGarten — и чего пока не доказывает
Главная идея AgentGarten — совместить явные, редактируемые правила виртуального мира с генерируемым изображением и опытом, который можно передавать между раундами. Это позволяет изучать поведение агентов в интерактивных средах, похожих на физический мир. Представленные результаты выглядят многообещающе, но не показывают, что навыки переносятся на настоящих роботов или что система готова к применению в физическом мире. 1
8
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «AgentGarten: миры для ИИ-агентов, где правила пишет код»?
AgentGarten использует программируемый симулятор для правил мира и нейросетевой рендерер — для визуальных наблюдений агента.
Какие ключевые моменты необходимо проверить в первую очередь?
AgentGarten использует программируемый симулятор для правил мира и нейросетевой рендерер — для визуальных наблюдений агента. Короткие видеопоследовательности позволяют агенту действовать, видеть результат и выбирать следующий шаг, а не наблюдать заранее созданный ролик.
Что мне делать дальше на практике?
После раундов агенты записывают опыт в текстовые плейбуки, которые могут использовать участники следующих раундов; это не обучение с нуля методом подкрепления.