摘要

10 月 13 日起比赛规则改为：满 20 个完整回合仍未分胜负，双方都输（各得 0 分、奖励 −1）；一方全灭而另一方只剩召唤物等临时单位，也算双输。在用新规则训练任何模型之前，本实验先跑一组固定的 24 场基线，检查奖励计算、双输比例和信号是否正常。结果：24 场全部是正常的单方胜负，没有双输、未知或故障；1314 次决策和 24 对终局奖励独立核验通过，冻结门槛通过。没有训练，所以这不是任何学习方法的提升证据。

要回答的问题

新规则下，奖励与结算实现是否正确？比赛会不会大量拖到 20 回合双输，导致学习信号退化？

方法

  • 对称两兵组局（16 场）：无英雄，每方两个兵组，4 种布阵；各打一场 F/F（双方都用 Fair，即只看公开信息的规则 AI）和一场 F 对“合法动作均匀随机”，并换边。
  • 完整 Arena 局（8 场）：双方 Fair，只用训练来源 930000–930003，原方向和交换构筑各一局。
  • 两种双输分别给双方 −1/−1，不用“对手取反”；超时或错误记为未知，不补成双输。
  • 收集与验证分开计时；验证重建全部开局、选秀，并逐步比对公开观察、菜单、动作、事件、后状态和奖励。

设置

规则版本 v448；收集预算 15 分钟，最多 8 个 CPU 进程，给用户保留 4 个物理核，不用 GPU。协议在运行前冻结，正式收集只执行一次。

结果

组别 场数 / 独立来源 A 胜 / B 胜 结束回合 双输 / 未知
两兵组 F/F 8 / 4 4 / 4 16,16,12,12,7,7,6,6 0 / 0
两兵组 F/随机 8 / 4（复用上组来源） 8 / 0 9,9,9,6,7,7,9,7 0 / 0
完整 Arena F/F 8 / 4 4 / 4 13,10,7,4,4,5,9,9 0 / 0

收集（含开局构造）12.8744 秒，独立验证 50.8692 秒。1314 次决策（两兵组 F/F 314、F/随机 230、Arena 770）。24 场全部导出回放并通过回放界面检查。

失败与负结果

正式运行无失败。执行前的 6 项定点测试首次 4 过 2 失败：一个夹具用了不存在的字段名，另一个把元组/列表的序列化差异误报为状态不一致；修正后 6/6 通过，没有修改引擎或忽略状态字段。

局限

对称 F/F 局交换 A 标签可能是同一条物理轨迹，不是独立的换边公平性验收；本批实际没有出现双输或“只剩临时单位”的终局，所以这两条规则路径只由专门测试覆盖，本批未实际触发；耗时是并行实验观察，不是网页端到端性能保证。

结论与下一步

新规则下的结算与奖励可用于训练。下一步进入实验 0204 的新规则 PPO 训练，并在模仿初始化里加入一次 32 样本、≤ 200 次更新的可学性准入检查。