YoloYamb
Врхунски неуронски играч јамба
Врхунска неуронска мрежа са 7 милиона параметара која је сама научила све варијанте јамба играјући против себе 3 милиона пута, без икакве људске помоћи. Ради директно у твом прегледачу.
Да играш против YoloYamb-а, само изабери рачунар као противника у било којој игри са пет коцкица.
Инспирисан AlphaZero-ом, YoloYamb је неуронска мрежа заснована на трансформеру (архитектури која покреће ChatGPT), направљена од нуле да игра јамб. Трениран је око 625 сати на једној RTX 4090.
- Улаз
- Сирово стање игре, укључујући коцкице, листић, број бацања и све најаве. Све што је моделу потребно да донесе одлуку.
- Токенизатор
- Стање игре се претвара у 14 различитих токена. По један је за сваку колону, по један за сваку коцкицу и један за целокупно стање. Сваки токен је вектор у простору са 192 димензије.
- Заједнички труп
- Три трансформер блока, сваки са четири главе пажње. Као у LLM-у, сваки токен посматра све остале. Коцкице посматрају колоне, колоне посматрају коцкице, а колоне посматрају и једна другу.
- Стратегија
- Још три трансформер блока посвећена одлучивању о следећем потезу. Глава за упис бира које поље да попуни, а глава за задржавање бира које коцкице да задржи за поновно бацање.
- Вредност
- Предвиђа колико поена још следи из било које позиције. Усмерава AI током тренинга. У игри не бира потезе, али се користи за приказ предвиђеног коначног резултата YoloYamb-а током потеза.
- За столом
- За разлику од AlphaZero-а, YoloYamb не користи претрагу док игра. Чита све информације, оцењује сваки дозвољени потез и инстинктивно игра најбољи. Претрага и тачни решавачи коришћени су само током тренинга, као његови учитељи.
Игра сам против себе
YoloYamb је одиграо око 200.000 партија против себе и учио из тога како се свака завршила.
Учи из једноставних решених позиција
Рачунар је израчунао савршен потез у 493.000 позиција на много једноставнијим листићима, а YoloYamb је научио да их понови.
Савршен учитељ за крај игре
У још 58.600 партија програм који савршено игра потезе кад је игра при крају показивао му је најбољи потез, а YoloYamb је учио да га прати.
Учење о срећи
У још око 2,7 милиона партија научио је да сваки потез оцењује по исходу партије, умањеном за то колико су коцкице биле срећније од очекиваног.
