开发者用自对弈 RL 训练出仅 52 万参数的 Polytopia 游戏模型

开发者 alacheng 解读了一个用纯自对弈强化学习训练的 The Battle of Polytopia 游戏模型，参数仅 52 万。作者最初采用 RL 课程学习，后改用纯自对弈并取得好效果。 据其解读，实现要点包括：价值函数可看双方完整状态、回合级折扣加 GAE，以及三级自回归动作头。项目共花费 7000 美元云计算资源，主要来自 Modal 平台，作者比较推荐该平台，称其核心优势是稳定。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。