AnswersPublished16 sources
AgentGarten: Yapay zekâ ajanları kodla kurulan dünyalarda nasıl öğreniyor?
AgentGarten’da dünyanın kurallarını çalıştırılabilir simülasyon kodu belirliyor; yapay zekâ ajanlarının gördüğü görüntüleri ise sinirsel bir oluşturucu üretiyor. Kısa video parçaları, ajanın eylemde bulunup sonucu görmesine ve sonraki hamlesini buna göre seçmesine imkân tanıyor.
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- AgentGarten’da dünyanın kurallarını çalıştırılabilir simülasyon kodu belirliyor; yapay zekâ ajanlarının gördüğü görüntüleri ise sinirsel bir oluşturucu üretiyor.
- Kısa video parçaları, ajanın eylemde bulunup sonucu görmesine ve sonraki hamlesini buna göre seçmesine imkân tanıyor.
- Ajanlar deneyimlerini sonraki turlara aktarılan metin kılavuzlarına yazıyor. Bu yöntem, sıfırdan pekiştirmeli öğrenme eğitimiyle aynı şey değil.
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, MirroS’un yapay zekâ ajanlarının etkileşime girebileceği ortamlar kurmak için geliştirdiği bir araştırma çerçevesi. Simülatör ya da oyun motoru dünyanın durumunu ve kurallarını yönetirken, sinirsel görüntüleyici ajanın gördüğü sahneyi oluşturuyor. QbitAI, 9 Ekim 2026’da projenin kodunun, teknik raporunun ve proje sayfasının erişime açıldığını bildirdi. Bu çalışma bir robot ürünü değil; ajanların deneyim kazanabileceği ortamları araştırıyor. 1
7
Kurallar kodda, görüntüler modelde
Simülatör dünyanın durumunu takip ediyor ve programla belirlenmiş kuralları çalıştırıyor. Fizik, nesnelerle etkileşim ve oyunun sonucu bu kurallara bağlı. Sinirsel görüntüleyici ise ajanın kamerasından alınan derinlik veya yüzey normalleri gibi geometrik verileri görsel gözlemlere dönüştürüyor. Böylece dünyada ne olacağını kod belirlerken, sahnenin nasıl görüneceğini ortak bir görüntüleyici üretiyor. 1
5
Bu yaklaşım, hem sahneyi hem fiziksel davranışı bir video modelinin baştan sona üretmesine dayanmıyor. Ayrıca her yeni ortam için ayrıntılı görsel varlıkları baştan hazırlama ihtiyacını azaltmayı hedefliyor. Ancak bu, ortam kurmanın bütün maliyetlerinin ortadan kalktığı anlamına gelmiyor. 1
5
Ajan eylemde bulunuyor, sonucu görüyor ve devam ediyor
AgentGarten görüntüyü baştan sona sabit bir klip olarak üretmek yerine kısa, art arda gelen video parçaları oluşturuyor. Ajan bir eylemde bulunuyor, yeni görüntüyü alıyor ve bir sonraki adımını buna göre seçebiliyor. Görüntüleyici, geometrik koşulların yanı sıra önceki görsel geçmişi de hesaba katarak simülasyonda değişen duruma bağlı görüntüler üretiyor. 1
7
23
Adversarial Forcing ne işe yarıyor?
Adversarial Forcing, ajanların deneyimlerini kılavuzlara yazma yöntemi değil; sinirsel görüntüleyiciyi eğitmek için kullanılan bir yöntem. Oto-regresif video modelini daha az adımda görüntü üretebilen bir modele damıtıyor. Kesin yeniden oynatma sayesinde, sonraki video parçalarından gelen kayıplar, modelin daha önce üretilmiş geçmişi nasıl kodladığını da güncelleyebiliyor. Gerçek videolarla eğitilen bir ayırt edici de uzun üretimlerde görsel kaliteyi iyileştirmek için kullanılıyor. 8
23
MirroS, bu teknikleri uzun üretimlerde görülebilen görsel bozulma, zamanla kayma ve ızgara benzeri kusurları azaltmaya yönelik araçlar olarak sunuyor. Bunlar simülatörün kurallarını değiştirmiyor ve üretilen her görüntü dizisinin hatasız kalacağını garanti etmiyor. 23
Saniyede 30 kare neyi ifade ediyor?
MirroS, tek bir GPU’da 480p çözünürlükte sinirsel görüntüleyicinin saniyede 30 karenin üzerinde üretim hızına ulaştığını bildiriyor. Bu sonuçta özel Triton çekirdekleri, CUDA grafikleri ve hafif bir kod çözücü kullanılıyor. Bu sayı yalnızca görüntüleyicinin performansını anlatıyor; akıl yürütme dâhil tüm ajan sisteminin saniyede 30’dan fazla karar verdiği anlamına gelmiyor. 8
23
Ajanların deneyimi sonraki turlara aktarılıyor
Ajanlar birinci şahıs bakış açısından oluşturulan görüntüleri izliyor ve kısa Python programlarıyla eyleme geçiyor. Her turun ardından yaşananlardan öğrendiklerini metin kılavuzlarına yazıyor; sonraki turlardaki ajanlar bu kılavuzları devralabiliyor. Dolayısıyla bildirilen düzenek, bir ajanı sıfırdan pekiştirmeli öğrenmeyle eğitmekten ziyade önceden eğitilmiş bir ajanın pratik yapmasına ve biriken deneyimden yararlanmasına dayanıyor. 1
8
Saklambaç gösterimlerinde MirroS, dördüncü turda siper kurma, onuncu turda ise rampa yardımıyla duvara tırmanma davranışlarının ortaya çıktığını bildiriyor. Şirket, bu sonuçları 2019 tarihli bir çalışmayla karşılaştırıyor: O çalışmada siper kurma yaklaşık 25 milyon bölümün, rampa kullanımıysa toplamda yaklaşık 100 milyon bölümün ardından görülmüştü. Ancak bunlar farklı öğrenme düzeneklerinden alınan örnekler; eşdeğer örnek verimliliğini ölçen kontrollü bir karşılaştırma değiller. 1
10
Dört turluk diğer gösterimlerde bildirilen sonuçlar arasında, eşlikçi köpekle etkileşim puanının 13’ten 19’a çıkması; iki arabanın tek şeritli bir köprüden geçiş süresinin 71 saniyeden 41 saniyeye inmesi; iki köpeğin başlangıçta üç koyunu ağıla alırken sonunda dördünü de ağıla yönlendirmesi yer alıyor. Taş ocağında yükleme görevinde ise ajanların son tarihten 31 saniye önce işi bitirdiği bildiriliyor. Bu örnekler, sunulan görevlerdeki sonuçları gösteriyor; sistemin bu gösterimlerin ötesinde genel olarak güvenilir olduğunu kanıtlamıyor. 8
10
AgentGarten neyi gösteriyor, neyi göstermiyor?
AgentGarten’ın temel araştırma fikri; açıkça tanımlanıp değiştirilebilen dünya kurallarını, üretilmiş görsel gözlemleri ve ajanların yeniden kullanabileceği deneyimi bir araya getirmek. Bu yapı, ajanların etkileşimli ve fiziksel dünyayı andıran ortamlarda nasıl davrandığını ve geliştiğini incelemeye imkân veriyor. Bildirilen sonuçlar dikkat çekici gösterimler olsa da öğrenilen davranışların gerçek robotlara aktarılabildiğini ya da sistemin fiziksel dünyada kullanıma hazır olduğunu ortaya koymuyor. 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: Yapay zekâ ajanları kodla kurulan dünyalarda nasıl öğreniyor?"?
AgentGarten’da dünyanın kurallarını çalıştırılabilir simülasyon kodu belirliyor; yapay zekâ ajanlarının gördüğü görüntüleri ise sinirsel bir oluşturucu üretiyor.
What are the key points to validate first?
AgentGarten’da dünyanın kurallarını çalıştırılabilir simülasyon kodu belirliyor; yapay zekâ ajanlarının gördüğü görüntüleri ise sinirsel bir oluşturucu üretiyor. Kısa video parçaları, ajanın eylemde bulunup sonucu görmesine ve sonraki hamlesini buna göre seçmesine imkân tanıyor.
What should I do next in practice?
Ajanlar deneyimlerini sonraki turlara aktarılan metin kılavuzlarına yazıyor. Bu yöntem, sıfırdan pekiştirmeli öğrenme eğitimiyle aynı şey değil.