摘要

实验 0225 想在完整竞技场（双方英雄、七兵种、法术、宝物）里让一个 63 参数的选择器在开局挑选整局战术，却因“临时单位到期后谁赢”的规则缺口在准入阶段中断。该缺口在实验 0344 修复（新规则版本 Core449）。本实验在新规则下按 0225 的原协议、原 52 份蓝图重跑一次。

这次工程上一切顺利：64 局准入对局全部自然终局，零故障，190.385967 秒完成。但两个固定战术相对基线都更差——R（持续压制射手）来源差 −.3125、P（持续保护己方射手）−.125——只有 1 个来源出现任一选项的改善，低于至少 3 个的门槛。准入失败，没有进入训练，零学习更新。 这是“固定选项收益覆盖不足”，区别于 0225 的工程故障。

要回答的问题

R 和 P 这两个固定整局战术，能否在完整竞技场里提供足够多的正负终局差异，让开局选择器有东西可学？

方法

完全复用 0225 冻结协议：三套策略 F（Fair，只用玩家可见信息的基线搜索 AI）、R、P；选择器 21 个公开输入（含“是否已知”标记和偏置）× 3 = 63 参数，全零初始化，250 步 Adam + L2；非 F 选项须严格高出 F .25 才选。法术、英雄动作、单位技能全部由 F 负责。

协议 59 个字段中 56 个方法、来源、预算字段与 0225 完全相等，只改版本号、实验编号，并新增“必须是 Core449 规则”的守卫——版本不符时在创建任何比赛前拒绝。

设置（冻结的条件）

  • 来源（一套固定的双方选秀构筑与开局随机种子）：0225 原 52 份蓝图，32 训练 / 8 开发 / 12 保留，不重新选源。0225 的 13 局终局和 6 局未知不拼入。
  • 准入：前 8 个训练来源、64 局实际对局（复用为 96 个语义训练槽）、≤ 15 分钟；要求 ≥ 95% 已知终局、0 故障、至少 3 个来源有非 F 正差、至少 2 个有负差、至少 2 个来源有真实施法和至少 1 个有英雄动作。
  • 每个来源的比较：两个控制方向 × 两个对手（F 和 R）等权，再对 8 个来源等权平均。
  • CPU 8 核低优先级；每局 120 秒 / 1000 决策；每次选择 4 秒。

结果

单次运行 190.385967 秒（含 8 个初态构造、64 局、全审计和导出）。64/64 自然终局，0 双输/未知/故障；在第 4–15 回合结束，其中 60 局在第 10 回合内。

固定选项相对同期 F 来源均差 改善 / 退化 / 相同来源
R 持续压制射手 −.3125 0 / 5 / 3
P 持续保护己方射手 −.125 1 / 4 / 3
  • 至少一个选项有正差的来源：1 个（要求 ≥ 3）——失败。
  • 至少一个选项有负差的来源：5 个（要求 ≥ 2）——通过。
  • 8 个来源都有真实施法和英雄动作，覆盖通过；已知终局 100%。

64 场物理对战（不是 128 个独立样本）：

蓝/红策略 蓝胜 红胜 实际转移 改选次数
F/F 5 3 676 0
F/R 8 0 699 82
R/F 3 5 700 71
R/R 6 2 689 156
P/F 5 3 750 106
F/P 5 3 722 98
P/R 5 3 756 173
R/P 4 4 781 158

64 个“候选 vs 基线、同侧同对手”的比较中 1 个变好、15 个变差，其余相同。

两个配对例子（完整策略配对，不是只改一步的因果干预）：

  • 改善：某来源红方用 P 对 F。原 F/F 第 10 回合红负，F/P 第 14 回合红胜；前 12 步完全一致，第 13 步同样公开输入下移动目的地不同。
  • 退化：另一来源蓝方用 R 对 F。原 F/F 第 6 回合蓝胜，R/F 第 5 回合蓝负；前 4 步一致，第 5 步 R 把“攻击敌方高级单位”换成了移动。

0225 那个出故障的来源，在新规则下第 96 步正常蓝胜、没有第 97 次行动，符合 0344 的修复。它不是新的独立来源，也不抹去 0225 原来的未知结果。

正确性：8 个初态、64 局双方终局、5773 个转移、5773 个公开选择与记忆回执、5773 次隐藏随机数扰动全部一致；28 项软件检查通过。64 局回放全部导入（5837 帧、88,541 个单位数量、11,674 个英雄帧逐项一致），桌面和手机宽度 7 组交互检查通过。

失败与负结果

  • 准入失败：没有进入 250 步 Adam，0 学习更新、0 在线模拟；其余 192 局训练、24 训练 + 8 开发 + 12 保留的局面都未构造。
  • 不能称为“63 参数训练失败”——选择器从未训练。

局限

  • 结论只针对这两个固定选项和这 8 个训练来源；更广泛来源上是否有收益、其他战术选项能否形成可学的选择，本轮无法回答。
  • 190.39 秒是这次并发采集 + 审计 + 导出的观察，不是线上延迟。
  • 本轮在共享工作区运行，期间仓库提交号变化，任一提交号都不是完整代码快照；可复现材料是保存的协议、轨迹和回执。

结论与下一步

规则修好后，完整竞技场准入在工程上完全跑通，问题回到了策略本身：两个手写的整局战术大多比基线差，开局选择器无从学起。关闭 F/R/P 路线，不补第二批、不放宽门槛、不在剩余来源里找正例。下一步改为更细粒度的学习：实验 0227 用完整对局胜负搜索一个小参数的“动作级”偏好，可以改变攻击、移动、等待和英雄施法。