VRA VISION LAB / ЗА СТРОИТЕЛЬСТВОМ
Viking Rise не сохраняет все цели в одном и том же месте. Животные двигаются, пейзаж меняется. Sector Vision исследует, как VRA может распознавать то, что происходит на экране, и следовать за движущейся целью, вместо того, чтобы полагаться на фиксированное положение. Ниже приведены реальные снимки, работа по местному признанию и проверки разработки, стоящие за этой целью.
VRA является предварительной версией. Специализированный детектор, указанный ниже, находится на контролируемой проверке. Ознакомьтесь с работой по признанию специалистов здесь и с более поздней дорожной картой экспериментальной модели ниже.
ВНУТРЕННЕЕ ВИДЕНИЕ СЕКТОРА / ПОЛЕВЫЕ ЗАМЕЧАНИЯ РАЗРАБОТЧИКА
Олень поворачивается. Овца уходит. Свет меняется. Золотой проводник остается позади. City Event Reports задает более сложный вопрос, чем «выглядит ли это точно так же, как мое эталонное изображение?»
СПЕЦИАЛИСТЫЙ ДЕТЕКТОР · КОНТРОЛИРУЕМАЯ ВАЛИДАЦИЯГородские поручения объединяют движущихся животных, меняющееся освещение и разнообразные пейзажи в один и тот же рабочий процесс. Сфокусированный детектор может изучить визуальные закономерности, общие для этих разных представлений.
Мы обучаем сфокусированный визуальный детектор находить тело животного или участок ресурса по изученному внешнему виду. Цель состоит в том, чтобы распознавание было сосредоточено на текущем объекте при изменении сцены.
В шаблонах по-прежнему есть место для стабильных элементов управления интерфейсом. Экспериментальный детектор учитывает меняющуюся сцену, в то время как детерминированные рабочие процессы сохраняют разрешения, время, пределы восстановления и проверку.
Предложение о признании должно по-прежнему соответствовать текущей приемлемой цели. Он не разрешает слепой щелчок и не превращает попытку действия в успешное.
ОТКРЫТЬ ПОЛЕВОЙ БЛОКНОТ
Изучите реальные примеры. Переключите просмотренные поля, чтобы проверить исходный урожай, а затем сравните животных, ресурсы и преднамеренные негативы.
ПРОВЕРЕННЫЕ ЭТИКЕТКИAn animal can look narrow from the front. Training needs more than its easiest side profile.
В аннотации отмечается, что должно найти обучение, а не то, что только что предсказала модель.
В рассмотренных аннотациях разработки показаны объекты, включенные в текущие обучающие примеры. Переключите флажки, чтобы просмотреть исходные снимки.
Небольшие, проверенные на конфиденциальность выдержки из снимков разработчиков. Имена учетных записей и полный игровой интерфейс находятся за пределами этих полей. Оформление игры принадлежит соответствующим правообладателям; VRA не зависит от IGG.
Оба представлены в текущем обучающем наборе, в разных позах и освещении. Они разделяют животное-мишень метка: детектор определяет, где находится тело животного, а не выдает название вида. Примеры ресурсов расширяют урок, охватывая ягоды, древесину, груды руды/материалов и места для рыбалки. Это текущий объем обучения, а не охват каждого животного в игре.
Этот трубопровод позволил выявить узнаваемые цели и провести ограниченные испытания по сбору животных. Текущая разработка расширяет охват распознавания и оценивает его в ходе проверок рабочего процесса в реальном времени.
ОТ ЗАХВАТА ДО КАНДИДАТА
Модель не завершена, когда индикатор выполнения достигает конца. Важный вопрос заключается в том, как он ведет себя на примерах, на которых он не обучался.
Реальные игровые культуры включают в себя различные позы, освещение, фон и частичные препятствия. Десять почти одинаковых скриншотов — это не десять независимых демонстраций.
Рамкой отмечено видимое тело животного или участок ресурса. Люди, сундуки и пустая земля тоже имеют значение: они показывают детектору, что не должно попадать в мишень.
Offline training compares predictions with the reviewed labels and adjusts numerical parameters. We refine general visual foundations using VRA-specific examples; we are not teaching a model from a blank slate.
Обучающие примеры обновляют модель. Примеры проверки помогут выбрать контрольную точку. Отложенные примеры проверяют замороженного кандидата. Целые группы запуска остаются вместе, а одна ферма зарезервирована для тестирования.
Мы проверяем, что экспортированная модель воспроизводит свои эталонные прогнозы, а затем оцениваем поведение в реальном времени при ограниченных разрешениях. Правдоподобная коробка не дает разрешения на использование, трату или сообщение об успехе.
УСЛОВИЯ БЕЗ ЗАГАДКИ
Это значит изменить изученные числовые параметры, а не писать правило для каждого оленя, сохранять каждый возможный снимок экрана или просить языковую модель угадать, куда щелкнуть.
Эта сфокусированная работа по детектору отделена от более поздней экспериментальной дорожной карты модели зрения/языка, представленной ниже.
Веса — это числовые параметры внутри модели. Вместе они влияют на то, как пиксели становятся визуальными функциями и как эти функции становятся предлагаемыми целевыми рамками. Обучение корректирует их, чтобы уменьшить количество ошибок. Это не рукописные координаты, папка совпадений скриншотов или процент достоверности.
Выученный рисунок можно перенести в другую позу. Это еще предстоит протестировать.
Цветные рамки на этой странице представляют собой обзорные аннотации к разработке. Они сообщают обучению, где находится цель и к какой целевой группе она принадлежит. Пустая аннотация используется намеренно, когда кадрирование не имеет соответствующей цели. Эти ярлыки не являются предсказаниями живой модели или независимо подтвержденной человеком истиной.
Плохие или двусмысленные ярлыки могут преподать неправильный урок, поэтому неопределенные примеры исключаются.
Потери измеряют несоответствие между прогнозами и обучающими метками, включая целевую классификацию и размещение ячеек. Оптимизатор использует эту обратную связь для обновления весов. Сами по себе меньшие потери на обучение не показывают, что модель будет вести себя лучше на другой ферме.
Изучение обучающих примеров — это не то же самое, что обобщение.
Контрольная точка сохраняет модель на определенном этапе обучения. Мы сравниваем кандидатов по данным проверки и сохраняем лучшую подходящую версию, которая может быть ранней контрольной точкой, а не окончательной. Еще тридцать минут обучения не приведут автоматически к созданию лучшей модели.
Держите доказательства и версию вместе. Не рекламируйте модель только потому, что обучение закончилось.
Оценка обнаружения описывает поддержку модели предлагаемой цели. Это не автоматически калиброванная вероятность, гарантия того, что цель будет достигнута, или мера надежности в целом. Высокий балл по неправильному объекту все равно является ложным обнаружением.
Свежие наблюдения и проверка действий по-прежнему необходимы.
Небольшой или повторяющийся набор данных может заставить модель выглядеть превосходно на знакомых изображениях, хотя ей не хватает другой позы или фона. Разнообразные примеры, отдельные группы запуска, негативные сцены и удерживаемые фермы помогают выявить этот разрыв. Они не устраняют необходимости более широкого тестирования.
Следующее незнакомое животное более информативно, чем еще один идеальный результат на знакомом кадре.
Наша цель – надежное признание в меняющемся городе. Мы публикуем небольшое окно в эту работу, а не частный набор данных, веса моделей или реализацию. В галерее показаны текущие объемы обучения; специальный детектор все еще находится на стадии предварительной разработки.
В первоначальной версии будут использоваться готовые детерминированные рабочие процессы. Они записывают то, что наблюдалось, что предпринималось и что было проверено. Эта запись связывает каждое действие с создаваемым им игровым состоянием.
При запуске дополнительный набор данных является частью плана выпуска: при явном согласии VRA будет выбирать полезные примеры во время обычной автоматизации, применять меры конфиденциальности и вносить одобренные примеры в набор данных VRA Young Studio. Ручная подготовка скриншотов не потребуется для ежедневного вклада.
We are building Young Studio’s own VRA model. We will train and evaluate it using teacher-labelled development examples and optional contributions from customers running VRA. Customers contribute examples—not train or maintain separate models themselves. Training and evaluation happen offline—not on the customer’s PC during a farm run.
Мы будем сравнивать возможные версии модели с базовыми показателями на основе сценариев на проверенных примерах и внутренних сквозных запусках. Завершение работы, преодоление неопределенности, соблюдение разрешений и избежание непреднамеренных действий имеют большее значение, чем убедительные прогнозы.
The experimental VRA vision/language model is planned for a later iteration—not the initial launch. We will release it only after internal testing demonstrates an improvement over the script-based automation baseline. Contributions do not immediately change a live farm’s behaviour. Qualified versions will arrive through VRA updates.
Независимо от того, использует ли рабочий процесс сценарии или квалифицированную модель, разрешения на расходы, ограничения рабочего процесса и средства защиты повтора остаются границами контроля. Модель не может дать себе разрешение или превратить неопределенность в законченный результат.
ВАШИ ДАННЫЕ НЕ ПО УМОЛЧАНИЮ
Модель будет наша. Решение о предоставлении примеров останется за вами. Снижение не приведет к уменьшению автоматизации основных ферм.
ПОСМОТРЕТЬ НАБЛЮДЕНИЕ И РЕЗУЛЬТАТ
Изучите реальную запись парной тренировки и доказательства подтвержденного результата. Одна демонстрация не является эталоном надежности всего автопарка.