Dualist-Hyper-v2
гибридный ИИ-движок для игры в Отелло (Реверси)
2 мин чтенияобновлено
Dualist Hyper объединяет нейросеть Dual-Stream FiLM-SE-ResNet на 20 млн параметров, C++20 AVX2-битборд-движок и SIMD-таблицу. Модель решает задачу сильного алгоритмического и нейросетевого планирования ходов в настольной игре Отелло. В основе лежит гибридная архитектура с пространственными и скалярными потоками данных, а также поисковый движок на базе Egaroucid. Проект пригодится разработчикам игровых ИИ, исследователям нейросетевых эвристик и любителям настольных игр.
Ключевые особенности
- Гибридная архитектура: связка 16-блочной ResNet и C++20 моста на библиотеке Egaroucid.
- Точные предсказания: выдает логику политики ходов, разницу дисков и распределение побед/поражений.
- Эффективный поиск: использует NegaScout, Multi-ProbCut и эндгейм-солвер для пустых клеток.
- Высокая сила игры: достигает 55% побед против Egaroucid Level 11 и 100% против Level 1 без дебютных книг.
Что можно сделать
- Интеграция в бота: использовать движок для создания сильного ИИ-оппонента в играх и ботах для Отелло.
- Анализ партий: запускать поиск и оценку позиций на глубоких уровнях (до 13 глубина поиска).
- Запуск через Python: загружать веса модели из
model.safetensorsи управлять C++ через связку вbridge_binding.py.
Пример
from safetensors.torch import load_file
from modeling_dualist import DualistNetHyper
import json
cfg = json.load(open('config.json', encoding='utf-8'))['neural_architecture']
model = DualistNetHyper(
in_planes=cfg['in_planes'],
scalar_dim=cfg['scalar_dim'],
channels=cfg['channels'],
num_blocks=cfg['num_blocks'],
).eval()
model.load_state_dict(load_file('model.safetensors', device='cpu'), strict=True)
Подробнее
Бенчмарки: 55.00% побед против Egaroucid Lv11 (~2095 Elo); 18/20 оптимальных решений в FFO Endgame Suite.Требования: CPU с поддержкой AVX2/BMI2, видеокарта с поддержкой CUDA для GPU-инференса.
Ограничения: лицензия GPL-3.0 из-за использования компонентов Egaroucid.
Детали обучения: обучен на 88 901 875 игровых состояниях с помощью Sparse AdaGrad.










Комментарии