AgentGarten: Code Worlds for Evolving Agents

Aggiunta all'archivio di AIChronos il 18 ottobre 2026 (numero del 9 ottobre 2026 ricostruito)· fonte del 8 ottobre 2026· Jiawei Chi, Shangchen Miao, Zhiyuan Shi, Kailu Wu, Hanyang Wang, Weiliang Chen (MirroS)

AgentGarten è un framework che accoppia simulatori e motori di gioco con un renderer neurale condiviso per costruire ambienti interattivi in tempo reale. Il sistema utilizza una tecnica chiamata Adversarial Forcing per rendere differenziabile il prefilling della storia tramite replay esatto, migliorando la qualità visiva attraverso supervisione avversariale su dati reali. Gli agenti apprendono esplorando questi mondi virtuali fedeli e realistici, distillando le esperienze in playbook ereditati dalle generazioni successive di agenti. Questo approccio riduce drasticamente il numero di round necessari per l'apprendimento rispetto al reinforcement learning convenzionale.

• Accoppiamento tra simulatori/giochi e renderer neurale condiviso per ambienti interattivi real-time.
• Adversarial Forcing rende differenziabile la prefilling della storia tramite replay esatto per aggiornare l'encoding delle osservazioni precedenti.
• Gli agenti migliorano distillando le esperienze in playbook che vengono ereditati e raffinati dagli agenti successivi.
• Scalabilità degli ambienti sia nel numero che nella difficoltà grazie alla possibilità di scrivere nuovi mondi come codice.
• Riduzione significativa dell'efficienza di apprendimento: gli agenti imparano da soli 4 round contro milioni con il RL tradizionale.

Perché conta. Per uno sviluppatore che lavora con LLM e agenti locali, AgentGarten offre un metodo per scalare la difficoltà degli ambienti simulati senza sacrificare la fedeltà visiva o l'interattività in tempo reale. Questo permette di addestrare agenti più efficienti tramite distillazione continua delle esperienze, riducendo i costi computazionali rispetto ai metodi convenzionali.

Vai alla fonte originale ↗ arXiv ↗

Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.