摘要
实验 0229 的动作排序模型模仿规则 AI T 的移动没过门槛；0230 和 0231 诊断出主要瓶颈是小批量训练的优化噪声。本实验用更稳的优化（Adam 3e-4、每批 512 个决策）重新训练，并保证足够的更新次数，在一批全新来源上测试。
结果：测试集完整菜单移动 Top-1 从 0229 的 0.137 升到 0.214，但仍低于 0.25 门槛，未通过，结案。改善主要来自动作类型选择，移动内部的落点排序几乎不变（0.340 → 0.339）。剩下的差距集中在一个边界上：菜单里有普通攻击、T 却选择移动的 3,344 个决策中，模型 52.5% 选了攻击。
要回答的问题
更稳的优化加足够的更新次数，能否让模仿 T 的完整菜单移动 Top-1 达到 0.25？“有攻击可选、T 却移动”的决策，模型错在哪？
方法
- 教师： 仍是 T（实验 0068 的“威胁圈”规则 AI），不换成更简单的 H3，以免改变研究问题。
- 两种结构： A = 0229 原结构；D = 0231 的“状态嵌入先拼入每个动作行”结构（状态 128、两层 512）。
- 训练： Adam 3e-4，无权重衰减，每批 512 个决策，种子 0，恒定学习率；每种结构 8000 次更新，在第 4000 和 8000 次各保存一次（恒定学习率下相当于两个预算）。每轮最后不满 512 的批丢弃。
- 选择： 4 个候选（A/D × 4000/8000）按开发集完整菜单移动 Top-1 选一个；平局取更新少者，再平取 A。只有选中的模型在测试集评估一次。
设置（冻结，在生成测试数据前写定）
- 训练和开发：0229 的同一批数据（训练 400 个来源、开发 100 个来源）。0229 的测试集已打开过，不再使用。
- 新测试集： 实验 0070 主检验中 T 一方的全部决策，从保存对局重放生成；只用当时的公开观察和合法菜单，胜负、完整状态、未来事件都不进特征。用后封存。
- 门槛同 0229：测试集完整菜单移动 Top-1 ≥ 0.25，且 ≥ 移动类内均匀随机期望的 5 倍。不通过就结案，不在本实验内再调。通过也只说明模仿能力，不是棋力。
- 预算：测试数据生成约 20 分钟（CPU），训练约 30–60 分钟（GPU）。
结果
测试数据： 0070 主检验 640 局全部生成、0 失败；T 方 31,798 个决策，来自 320 个来源。
开发集选择：
| 结构 | 更新次数 | 全体 Top-1 | 移动 Top-1（完整菜单） | 类内移动 Top-1 | 类型正确率 |
|---|---|---|---|---|---|
| A | 4000 | 0.536 | 0.156 | 0.317 | 0.809 |
| A | 8000 | 0.549 | 0.183 | 0.343 | 0.817 |
| D | 4000 | 0.506 | 0.193 | 0.322 | 0.801 |
| D | 8000 | 0.492 | 0.200 | 0.313 | 0.798 |
按冻结规则选中 D-8000。
测试集（只读一次）：
| 指标 | 值 |
|---|---|
| 移动 Top-1（完整菜单，主指标） | 0.214 |
| 移动 Top-3 | 0.446 |
| 类内移动 Top-1 / Top-3 | 0.339 / 0.540 |
| 按来源平均移动 Top-1 | 0.222 |
| 全体 Top-1 / 类型正确率 | 0.475 / 0.783 |
| 类内均匀随机期望 | 0.0346（5 倍 = 0.173） |
| 与 T 落点 ≤ 1 格 / 平均距离 | 47.9% / 2.77 格 |
判定：0.214 < 0.25，未通过（5 倍随机条件满足）。
T 的实际动作 × 模型的预测（测试集）：
| T 的情况 | 决策数 | 模型选攻击 | 选移动 | 其他 |
|---|---|---|---|---|
| 菜单有普通攻击，T 移动 | 3,344 | 52.5% | 39.3% | 8.2% |
| 菜单无普通攻击，T 移动 | 1,697 | — | 84.3% | 15.7% |
| T 攻击 | 16,735 | 88.5% | 5.8% | 5.7% |
失败与负结果
- 门槛失败：0.214 < 0.25。
- T 的 5,041 个移动决策中，三分之二（3,344 个）发生在菜单里有普通攻击时，而模型在这些决策上过半选了攻击；没有攻击可选时，模型选移动的比例为 84%。完整菜单移动 Top-1 主要被这个“能攻击却移动”的边界拉低。
局限
- 与 0229 的对比（0.137 → 0.214）用的是不同测试集，只作参考。
- 未验证的解释： T 在能攻击时选择移动，取决于旧规则 AI 的攻击评分与“威胁圈”移动价值之间的比较；实验 0071 中“能打就打”的 H3 显著优于 T，说明 T 的这部分选择本身可能偏弱，因而难学，也未必值得学。
- 只模仿一个规则教师，不是棋力检验。
结论与下一步
更稳的优化让模型更会判断“该不该移动”，但没有让它更会挑落点，也没有跨过门槛。按协议结案，0070 测试集已用过并封存。若继续，须另立实验，可选方向：改以 H3 为教师（它的攻击/移动边界是简单规则），或只让模型学习类内落点排序、由规则决定动作类型。是否转向由下一轮讨论决定。
Comments