摘要

完整 Arena 上的 PPO（实验 0203、0204）都没能胜过规则 AI Fair（只看公开信息做决策）。本实验先退一步，问一个更基础的问题：在一个很简单的课程里，网络能不能至少学会模仿 Fair？ 课程是 2v2：每方 20 个侍从（近战）和 20 个弩手（射手），无英雄、无法术。只做模仿学习（BC，按 Fair 在每个局面选的动作做交叉熵训练）。训练顺利完成，但开发集两项门槛都失败：教师动作精确匹配 62.50%（要求 ≥ 75%），来源差 −0.125（要求 ≥ −0.10）。最突出的症状是网络一次也没有匹配上 Fair 的移动动作。保留集未打开，候选关闭。

要回答的问题

在独立的简单 2v2 布局上，沿用原网络和公开编码的 BC 模型，能否接近 Fair 的动作与胜负？

方法

  • 合成布局 940200–940251 共 52 组，按距离签名去重（合并平移、反射、换边等价），分为 32 训练 / 8 开发 / 12 保留。
  • 每个训练来源收集一次 F/F 对局作为示范；重新初始化原 v3 网络、公开语义编码和完整合法菜单，不扩词表、不扩网络。最多 8 轮或 400 优化步。
  • 来源差：每个评测来源跑 BC 执蓝对 F、F 执蓝对 BC 两局，BC 平均得分减去同来源 F/F 双侧平均分。
  • 冻结门槛：开发集教师 Top-1 ≥ 75%，来源差 ≥ −0.10，已知终局 ≥ 95%，无正确性故障；通过才打开保留，失败即结束，不顺手做 PPO。

设置

教师生成 + 训练 20 分钟，整轮 45 分钟；8 核低优先级。计划 92 局（含未开始的保留槽）。

结果

整轮 89.7421 秒；32 个教师局（27 自然胜负 + 5 次 20 回合双输）得到 1328 标签，8 轮、168 优化步。开发 24 局（23 自然胜负 + 1 次 F/F 双输），0 未知/故障。

教师动作类别 训练精确匹配 开发精确匹配
移动 0/478 0/87
攻击 715/730 197/204
单位特技 4/56 3/21
等待 0/20 0/3
防御 0/44 0/5
合计 719/1328（54.14%） 200/320（62.50%）

开发 BC 16 局 5 胜 11 负（平均得分 0.3125），同来源 F/F 双侧均分 0.4375，来源差 −0.125：2 来源改善、4 退化、2 相同。56 局 2267 次转移、56 次随机数扰动、308 份模型回执全部核验通过，误差为 0。

失败与负结果

  • 两项门槛都失败；正式运行无故障，所以不是“没训练起来”。
  • 教师移动动作的平均概率只有约 0.03（训练 0.031205、开发 0.020595），总体精确率接近攻击标签占比。这是具体症状，尚未证明是网络结构或类别不平衡导致；也不能推出网络从不移动或所有不匹配动作都是战术错误。
  • 执行前一个测试用错字段名（1 失败 10 通过），修正后通过；回放界面目视发现两处显示问题，仅改 CSS/JS 后复验通过。

局限

距离签名去重不等于统计独立；无英雄课程不能代表完整 Arena；词表外符号只有一种（弩手的“精制弩箭”能力），未扩词表。

结论与下一步

关闭本版 BC，不加训、不开保留。下一步做零学习更新的只读诊断：拆开“动作类别竞争”和“移动内部落点排序”，见实验 0211；之后另立相对几何特征实验 0212。