К содержимому
Другое

cartmind-1.0-223K

крошечная нейросеть, которая проходит Cart Surfer только по пикселям

2 мин чтенияобновлено

cartmind-1.0-223K — компактная свёрточная нейросеть (CNN) на 223 190 параметров (всего 894 КБ), обученная играть в мини-игру Cart Surfer из Club Penguin. Модель не получает доступа к внутреннему состоянию игры: на вход подаются только последние 4 чёрно-белых кадра в разрешении 84×84. Нейросеть стабильно проходит случайно сгенерированные трассы любой длины без потери жизней, входит в скольжение (grind) на каждом повороте и выполняет цепочки из сальто назад и вращений. Проект от разработчика benank подойдёт тем, кто изучает обучение с подкреплением (RL) и имитационное обучение на лёгких задачах без тяжёлых GPU.

Ключевые особенности

  • Работа исключительно по изображению: принимает стек из 4 кадров 84×84 (grayscale) с частотой 24 решения в секунду и выдаёт одно из 6 действий (ничего, влево, вправо, вверх, вниз, пробел).
  • Трёхэтапное обучение: сначала учитель на базе Double DQN освоил игру по 17 внутренним параметрам, затем CNN обучилась через клонирование поведения (169 139 кадров), а финальный раунд DAgger (123 338 кадров) полностью убрал падения.
  • Превосходит учителя: на классической трассе модель набирает в среднем 3 280 очков против 2 853 у RL-учителя, от которого она училась.
  • Полностью воспроизводимое окружение: в репозиторий включён club_pyguin — Python-воссоздание движка игры, генератор случайных трасс и экстрактор ресурсов из оригинального SWF-файла.

Что можно сделать

  • Запустить демонстрацию в окне или headless-режиме: посмотреть, как агент проходит классическую или случайную трассу на 7, 14 или 28 поворотов с заданным seed.
  • Изучить пайплайн Teacher → Behavior Cloning → DAgger: использовать готовый код как компактный учебный пример дистилляции RL-агента в визуальную нейросеть.
  • Встроить агента в свой игровой цикл: класс CartSurferAgent в play.py принимает кадр (pygame Surface или RGB-массив) и возвращает индекс действия.

Пример

from play import ACTIONS, CartSurferAgent

agent = CartSurferAgent()
action = agent.reset(first_frame)

while running:
    frame = game.step(action)
    action = agent.step(frame)
    print(ACTIONS[action])
ПодробнееТест (150 новых трасс): 150/150 пройдено, 0 потерянных жизней, 2 450/2 450 поворотов со скольжением, 95% трюков успешны.
Средний счёт на тесте: 3 595 (7 поворотов), 6 851 (14 поворотов), 12 781 (28 поворотов).
Железо и обучение: всё обучение заняло около 40 минут на ноутбуке Apple M3 Pro; весит модель 894 КБ (float32 safetensors).
Ограничения: тестировалась только в рендерере Club Pyguin (не в оригинальном Flash/Ruffle), поведение детерминированное, меню не нажимает.
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # benank/cartmind-1.0-223K
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download benank/cartmind-1.0-223K --local-dir ~/models/cartmind-1.0-223K
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к cartmind-1.0-223K
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии cartmind-1.0-223K — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

benank/cartmind-1.0-223K
Автор
benank
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

scoredit-scan

scoredit-scan
Другое

AltSwap v1

AltSwap v1