Câu trả lờiĐã xuất bản16 nguồn
AgentGarten: Khi luật chơi do mã viết, còn AI tạo nên khung cảnh
AgentGarten dùng mã mô phỏng để điều khiển trạng thái và luật chơi, còn bộ dựng hình thần kinh tạo hình ảnh cho tác nhân AI quan sát. Các lượt tương tác diễn ra theo vòng lặp hành động–quan sát bằng những đoạn video ngắn, thay vì tạo sẵn một đoạn phim cố định.
Đăng bởiBiên tập bằng GPT-6 LunaHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- AgentGarten dùng mã mô phỏng để điều khiển trạng thái và luật chơi, còn bộ dựng hình thần kinh tạo hình ảnh cho tác nhân AI quan sát.
- Các lượt tương tác diễn ra theo vòng lặp hành động–quan sát bằng những đoạn video ngắn, thay vì tạo sẵn một đoạn phim cố định.
- Tác nhân có thể ghi bài học sau mỗi lượt vào playbook để các lượt sau kế thừa; đây là cách thực hành dựa trên kinh nghiệm, không phải huấn luyện tăng cường từ đầu.
Prompt AI
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 là khung nghiên cứu của MirroS nhằm tạo môi trường tương tác để tác nhân AI thực hành. Ý tưởng cốt lõi là để mã thực thi quyết định trạng thái và quy luật của thế giới, trong khi bộ dựng hình thần kinh tạo ra những gì tác nhân nhìn thấy. QbitAI đưa tin ngày 9/10/2026 rằng mã nguồn, báo cáo kỹ thuật và trang dự án đã được công khai. Đây là môi trường nghiên cứu cho tác nhân AI, không phải sản phẩm robot đã triển khai ngoài đời thực. 1
7
Tách luật của thế giới khỏi hình ảnh
Bộ mô phỏng hoặc công cụ trò chơi duy trì trạng thái thế giới và thực thi các quy tắc được định nghĩa bằng chương trình, chẳng hạn như vật lý, cách vật thể tương tác hay điều kiện thắng thua. Sau đó, bộ dựng hình chuyển các dữ liệu hình học—như độ sâu hoặc hướng bề mặt trong góc nhìn của tác nhân—thành hình ảnh trực quan. Nhờ vậy, luật mô phỏng vẫn tường minh, còn một bộ dựng hình dùng chung có thể tạo diện mạo cho nhiều môi trường. 1
5
Cách làm này khác với việc giao cho mô hình video tự tưởng tượng cả khung cảnh lẫn cách vật lý vận hành. Nó cũng có thể giúp tạo môi trường đa dạng mà không cần dựng bộ tài sản hình ảnh chi tiết riêng cho từng cảnh. Tuy nhiên, đây là mục tiêu thiết kế chứ không phải bằng chứng rằng mọi chi phí xây dựng môi trường đều được loại bỏ. 1
5
Video được tạo theo từng đoạn để AI phản hồi liên tục
Thay vì yêu cầu mô hình dựng sẵn cả một đoạn phim cố định, AgentGarten tạo video thành những đoạn ngắn nối tiếp nhau. Tác nhân thực hiện hành động, nhận hình ảnh mới rồi dựa vào đó chọn bước tiếp theo. Bộ dựng hình sử dụng dữ liệu hình học cùng lịch sử hình ảnh trước đó, để khung hình được tạo ra gắn với diễn biến của mô phỏng. 1
7
23
Adversarial Forcing làm gì?
Adversarial Forcing là phương pháp huấn luyện bộ dựng hình, không phải cách tác nhân viết playbook sau mỗi lượt. Phương pháp này chắt lọc một mô hình video tự hồi quy thành bộ dựng hình có thể tạo kết quả qua ít bước hơn. Với cơ chế phát lại chính xác, sai số ở các đoạn video về sau có thể cập nhật cách mô hình mã hóa lịch sử hình ảnh do chính nó tạo ra trước đó. Hệ thống còn dùng bộ phân biệt được huấn luyện bằng video thật nhằm cải thiện chất lượng hình ảnh trong những lượt tạo dài. 8
23
MirroS trình bày các kỹ thuật này như một hướng xử lý hiện tượng hình ảnh xuống cấp khi tạo trong thời gian dài, chẳng hạn như hình ảnh dần lệch khỏi diễn biến hoặc xuất hiện nhiễu dạng lưới. Chúng không thay đổi luật của bộ mô phỏng và cũng không bảo đảm mọi chuỗi hình ảnh được tạo ra đều chính xác. 23
Con số thời gian thực nói lên điều gì?
MirroS báo cáo bộ dựng hình đạt thông lượng trên 30 khung hình/giây ở độ phân giải 480p trên một GPU, nhờ các kernel Triton tùy chỉnh, CUDA graphs và bộ giải mã gọn nhẹ. Đây là tốc độ của riêng bộ dựng hình, không có nghĩa toàn bộ tác nhân—bao gồm cả quá trình suy luận—đưa ra hơn 30 quyết định mỗi giây. 8
23
Tác nhân truyền kinh nghiệm qua playbook
Tác nhân quan sát hình ảnh góc nhìn thứ nhất do hệ thống tạo ra và thực hiện hành động bằng các đoạn chương trình Python ngắn. Sau mỗi lượt, chúng ghi lại bài học thành playbook dạng văn bản để tác nhân ở những lượt sau có thể kế thừa. Vì vậy, thiết lập được mô tả dựa trên việc cho tác nhân đã được huấn luyện trước thực hành và tích lũy hướng dẫn, chứ không huấn luyện một tác nhân từ đầu bằng học tăng cường. 1
8
Trong các màn trình diễn trò trốn tìm, MirroS cho biết tác nhân đã biết dựng nơi trú ẩn vào vòng thứ tư và dùng đường dốc để trèo qua tường vào vòng thứ mười. Nhóm đối chiếu kết quả này với một nghiên cứu năm 2019, trong đó việc dựng nơi trú ẩn xuất hiện sau khoảng 25 triệu lượt chơi, còn việc dùng đường dốc xuất hiện sau khoảng 100 triệu lượt cộng dồn. Đây là so sánh minh họa giữa các thiết lập học khác nhau, không phải phép đo có kiểm soát về hiệu quả dữ liệu tương đương. 1
10
Một số thử nghiệm bốn vòng khác cũng được báo cáo: điểm tương tác với chó đồng hành tăng từ 13 lên 19; hai ô tô phối hợp qua cầu một làn trong 41 giây thay vì 71 giây; hai chú chó dồn được cả bốn con cừu vào chuồng, so với ba con ban đầu; và tác nhân hoàn thành nhiệm vụ bốc xếp ở mỏ đá sớm hơn thời hạn 31 giây. Đây là kết quả trong các nhiệm vụ được trình diễn, chưa chứng minh độ tin cậy rộng rãi ở những môi trường khác. 8
10
AgentGarten cho thấy gì—và chưa cho thấy gì?
Đóng góp chính của AgentGarten là kết hợp quy luật thế giới tường minh, có thể chỉnh sửa với hình ảnh được tạo sinh và kinh nghiệm của tác nhân có thể truyền lại. Cấu trúc này mở ra cách nghiên cứu hành vi của tác nhân trong môi trường tương tác mang tính vật lý. Các kết quả được báo cáo là những màn trình diễn đáng chú ý, nhưng chưa chứng minh hành vi học được có thể chuyển sang robot thật hay hệ thống đã sẵn sàng triển khai trong thế giới vật lý. 1
8
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "AgentGarten: Khi luật chơi do mã viết, còn AI tạo nên khung cảnh" là gì?
AgentGarten dùng mã mô phỏng để điều khiển trạng thái và luật chơi, còn bộ dựng hình thần kinh tạo hình ảnh cho tác nhân AI quan sát.
Những điểm chính cần xác nhận đầu tiên là gì?
AgentGarten dùng mã mô phỏng để điều khiển trạng thái và luật chơi, còn bộ dựng hình thần kinh tạo hình ảnh cho tác nhân AI quan sát. Các lượt tương tác diễn ra theo vòng lặp hành động–quan sát bằng những đoạn video ngắn, thay vì tạo sẵn một đoạn phim cố định.
Tôi nên làm gì tiếp theo trong thực tế?
Tác nhân có thể ghi bài học sau mỗi lượt vào playbook để các lượt sau kế thừa; đây là cách thực hành dựa trên kinh nghiệm, không phải huấn luyện tăng cường từ đầu.