مقاله‌ی arXiv:2610.12341 · منتشرشده در کانال
Can AI Agents Learn Their Way to the Top? Evaluating Heuristic Learning in a Long-Running Game Agent Competition
آیا ایجنت‌ها می‌توانند با یادگیری به صدر برسند؟ سنجش یادگیری اکتشافی در یک رقابت بلندمدت بازی‌های رقابتی
- تاریخ
- (۱۶ مهر ۱۴۰۵) 2026-10-08 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Kaisen Yang, Qingle Liu, Kejin Wang, Yicheng Zhao, Jieming Li, Shenghan Zheng, Ruize Yang, Bojun Yang, Heng Gong, Xiang Gao, Lanyue Zhang, Kaiyu Zhong, Zhuo Liu, Shaoxuan Li, Chengxi Li, Yong Yan, Weixuan Zhang, Tianwei Luo, Situ Wang, Youjie Zheng, Sihan Zhao, Shengyuan Wang, Huan-ang Gao, Jiazheng Xu, Xiaohui Xie, Wentao Han, Hongning Wang
- نهاد نویسنده‌ها
- Department of Computer Science and Technology, Tsinghua University; College of AI, Tsinghua University
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
بازی‌های رقابتی پیشرفت از جست‌وجوی اکتشافی تا یادگیری تقویتی را پیش برده‌اند، اما یادگیری و تطبیق راهبرد از نمونه‌های محدود هنوز سخت است. ایجنت‌ها جایگزینی پیشنهاد می‌کنند: تجربه‌ی بازی را به بازنگری در سیاست‌های اجرایی، یعنی کد بازیکن، تبدیل کنند.
روش
نویسنده‌ها «یادگیری اکتشافی رقابتی» (AHL) را صورت‌بندی کردند که ایجنت‌ها را موتور یادگیری برای اصلاح سیاست‌های بازی و نرم‌افزار پشتیبان می‌کند، در حالی که وزن‌های مدل ثابت می‌مانند. بنچمارک AAArena شامل ۱۲ بازی رقابتی واقعی و ۱۹۲۰ برنامه‌ی بایگانی‌شده‌ی انسانی است، با پروتکلی الگوگرفته از رقابت‌های واقعی. ایجنت‌ها قاعده‌ها را تفسیر می‌کنند، حریف انتخاب می‌کنند، بازپخش‌ها را تحلیل می‌کنند و بازیکن را بازنگری می‌کنند تا در بودجه‌ی ثابت مسابقه و ارزیابی به بالاترین رتبه برسند.
یافته‌ها
- در ارزیابی ۷ مدل، Opus5.5 با Claude Code ۶ مدال طلا گرفت، اما هیچ پیکربندی صدر ۶ جدول رده‌بندی انسانی باقی‌مانده را نگرفت.
- کارایی در بازی‌هایی با قاعده‌های پیچیده‌تر عموماً ضعیف‌تر بود.
- انتخاب حریف و بازخورد متراکم به بهبود سیاست کمک کرد، و ایجنت‌ها هم از بازپخش مسابقه‌های خودشان و هم از بازپخش مسابقه‌های دیگر بازیکنان یاد گرفتند.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ نویسنده‌ها چالش‌های پایدار در فهم بازی، پیاده‌سازی راهبرد و توسعه‌ی بلندمدت سیاست را برمی‌شمارند.
چرا مهم است
نوشتن و بهبود کد بازیکن با تجربه، شکلی از یادگیری بدون تغییر وزن است. این بنچمارک نشان می‌دهد ایجنت‌ها در نیمی از بازی‌ها به سطح بهترین انسان‌ها رسیده‌اند ولی در نیم دیگر نه.