Yumbee

ИГРА КОЦКИЦА И СТРАТЕГИЈЕ

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.

Како ради

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.
Како је учио
  1. Игра сам против себе

    YoloYamb је одиграо око 200.000 партија против себе и учио из тога како се свака завршила.

  2. 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.

  3. 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.

  4. 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.