/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
9 окт 2026

pacman-decision-tiny

Классификация таблицTable → label

Компактная политика на PyTorch выбирает допустимое направление в Pac-Man по числовым признакам состояния игры.

0скачиваний за 30 дней0лайковвеса обновлены9 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Pac-Man Decision Tiny — небольшая модель политики, разработанная в личном исследовательском проекте и обученная с нуля на PyTorch. Она выбирает предпочтительное направление из допустимых ходов в Pac-Man по 15 числовым признакам игрового состояния, а не по изображению экрана. Веса занимают около 72 КБ; модель содержит 17 601 параметр и рассчитана на локальный запуск на CPU.

Архитектура обрабатывает каждый допустимый вариант общей сетью 15→64→64, агрегирует варианты с помощью mean/max pooling и оценивает их отдельной сетью 192→64→1. Обучение использовало мягкие метки поискового оракула и дистилляцию его решений. В небольшом игровом пилоте модель набрала в среднем 173,3 точки за игру на трёх тестовых начальных состояниях; авторы подчёркивают, что этого недостаточно для обобщённых выводов о качестве.

Модель предназначена для выбора ходов в описанном формате признаков Pac-Man. Она не принимает пиксели и не предназначена для языковых задач или других игр. Оценки вариантов являются относительными предпочтениями, а не откалиброванными вероятностями выживания. Веса распространяются по лицензии Apache-2.0.

Сценарии применения

  • выбор направления движения Pac-Man среди допустимых ходов
  • ранжирование вариантов хода по признакам состояния лабиринта
  • локальный запуск игровой политики на CPU
  • эксперименты с дистилляцией игрового поискового оракула

Ограничения

Модель работает только с заданными числовыми признаками и не анализирует изображение игры; проверка качества ограничена тремя начальными состояниями и одной конфигурацией лабиринта. Её оценки не являются калиброванными вероятностями выживания, а пригодность для других карт и игр не установлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Pac-Man Decision Tiny · 17,601 parameters

A small, newly trained PyTorch policy that chooses among legal Pac-Man directions. It learns from a five-second simulation/search teacher and runs locally on CPU. The safe tensor weight file is about 72 KB.

Interactive experiment explorer · Training data · Qwen LoRA comparison

What the first experiment found

Same 4,096 training examples and 512 validation examples for both learned policies:

PolicyValidation top-choice agreement with search teacher
Original Qwen3-0.6B, option-token scoring25.39%
Qwen3-0.6B, one-epoch LoRA pilot32.23%
Uniform random legal choice (expected)31.67%
Always first listed option38.87%
This structured policy50.20%

The Qwen pilot remains near chance and its 32 inspected decisions always selected the second option. This tiny baseline was added after that diagnosis, before its own gameplay test. It is a separate supervised model trained from scratch, not a Qwen adapter, a Jev model, or a multimodal model.

Independent gameplay pilot

Three held-out seeds (100, 101, 102), one fixed maze, speed 1, realtime clock, 180 simulated seconds maximum per game. Actual request latency advances the game. Training was stopped during inference. All tests ran on the same DGX host; the tiny policy runs on CPU, while Qwen runs on the GPU.

PolicyMean pellets / gameMean per-game request p50
base0.021 ms
greedy173.30 ms
random33.00 ms
structured304.31 ms
trained49.021 ms

Zero ms denotes integer-ms reporting resolution, not zero computation.

Every per-seed score is in gameplay_results.json. This is a three-game exploratory comparison, not a claim about unseen maps or games. The tiny policy was selected using validation cross-entropy, never gameplay test scores. Jev was not measured.

Architecture and training

Each legal option is encoded by 15 numeric facts: current lives, remaining pellets, distance to junction, frightened time, ghost distances and presence, approaching ghost flag, edible-ghost distance, nearby food, power-pellet distance, and whether the option means turning back. Feature scales are fixed constants in the source.

A shared 15 → 64 → 64 option network is followed by mean/max set pooling and a 192 → 64 → 1 scoring network. Softmax is restricted to legal choices. Shared weights and set pooling make it permutation-equivariant: reordering options reorders the scores. The measured permutation check differed by at most 2.1e-07.

Training: NVIDIA GB10, FP32, seed 42, AdamW 0.001, weight decay 0.0001, batch 128, 100 epochs. Check validation every 10 epochs; epoch 90 has the lowest cross-entropy (1.0931) and is released. Training plus validation took 8.6 seconds, excluding data generation and model setup.

The label is a soft distribution over a search oracle's values (temperature 50). No future state or oracle score is supplied at inference. See the data card for the collection recipe, seed ranges, duplicate removal and exact file hashes.

Run it on your computer

Download structured_policy.py, predict_tiny.py, and example.json from this repo, then run:

pip install torch safetensors huggingface_hub
python predict_tiny.py --request example.json

The script downloads this repository's tiny weight file and prints a legal direction and candidate distribution. It executes on CPU. The model uses custom PyTorch code; it is not an AutoModelForCausalLM checkpoint.

To reproduce training on a CUDA GPU:

python download_data.py
python train_structured.py

Scope and attribution

The policy uses structured text-derived game facts, not pixels. It has not been trained or evaluated for general language reasoning, real-world inspection or multimodal perception. Candidate scores are relative preferences, not calibrated probabilities of survival. Three seeds are a small pilot; wider evaluation remains necessary before drawing a general performance conclusion.

Game engine, feature encoder and search oracle: grapeot/decision-pacman, commit 593ed1f59f4f97ad0bda7287ff304e9667360089, MIT (LICENSE.upstream). This project supplies the fresh data collection, shared-option policy architecture, new GPU training run and artifacts. Weights are Apache-2.0. Personal research project.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Табличные модели пока не поддерживаются.

Ревизия весов
1f7a5ce

0 моделей