Pablo Zavala · Evaluación de seguridad de IA · Ingeniería de investigación
Bot de póker de torneo con modelado adaptativo de oponentes
Un bot de póker de torneo construido para la competencia del CMU Data Science Club, orientado a la toma de decisiones bajo incertidumbre frente a oponentes variados y adversariales. El bot lee las tendencias del oponente a partir de señales de apuesta en vivo, enruta entre estrategias especialistas mediante un selector de estilo bandit, y dedica una búsqueda más pesada en la calle del turn solo a los puntos de alta incertidumbre. Un arnés de backtest guiado por manifiesto, con reconciliación de mazo duplicado y capturas de lanzamiento congeladas, registra cada decisión de promoción frente a oponentes fijos y pesos de puntaje.
Bot de póker adaptativo con un flujo de estudio documentado: enrutamiento posterior de oponentes, puntuación empaquetada de EV por categoría, búsqueda en el turn condicionada por incertidumbre, y backtests de mazo duplicado guiados por manifiesto con capturas de lanzamiento congeladas.
Repositorio público de entrega
La evidencia descansa en el bot confirmado y el método documentado; los scripts de estudio de mazo duplicado que regeneran las comparaciones permanecen fuera del árbol público, un benchmark público de titular frente al campo de torneo en vivo sigue pendiente, y los modelos de oponente siguen siendo heurísticos y estadísticos.
Rol: Pablo: estrategia del bot del equipo más el flujo de experimentos reproducible, desde el modelo de oponente hasta la puerta de promoción.
Tarjeta de evaluación
Cobertura de regímenes de oponente
Muestra
Puerta de campo en vivo ponderada que abarca proxies pasivos, equilibrados/selectivos, de cambio de fase, trampa de clasificador e hiperagresivos
Evaluador
Recompensa por mano por oponente, combinada mediante pesos fijos de manifiesto
Resultado
Un único puntaje ponderado ordena a cada candidato a lo largo de todo el campo proxy, de modo que una racha de suerte contra un estilo permanece visible en lugar de oculta.
Límite
Los oponentes proxy aproximan el campo; un benchmark de torneo público sigue pendiente.
Control de varianza
Muestra
Reconciliación de mazo duplicado, semilla 20260321
Evaluador
Delta de recompensa por mano con mazo pareado frente al ancla congelada
Resultado
La línea base y el retador reproducen mazos idénticos, de modo que la comparación aísla la habilidad de la política de la suerte del reparto.
Límite
Los mazos pareados reducen la varianza pero aun así cubren una muestra acotada.
Disciplina de promoción
Muestra
Cada candidato antes de llegar a producción
Evaluador
Puerta de mazo duplicado más puerta de campo en vivo ponderada
Resultado
Un retador obtiene la promoción solo después de superar ambas puertas, pasar la prueba de humo del motor y mantenerse dentro del presupuesto de tiempo.
Límite
Los cribados cortos pueden inducir a error, así que el arnés prefiere ejecuciones de confirmación más largas.
Ejes de evaluación con muestra, evaluador, resultado y límite.
Eje
Muestra
Evaluador
Resultado
Límite
Cobertura de regímenes de oponente
Puerta de campo en vivo ponderada que abarca proxies pasivos, equilibrados/selectivos, de cambio de fase, trampa de clasificador e hiperagresivos
Recompensa por mano por oponente, combinada mediante pesos fijos de manifiesto
Un único puntaje ponderado ordena a cada candidato a lo largo de todo el campo proxy, de modo que una racha de suerte contra un estilo permanece visible en lugar de oculta.
Los oponentes proxy aproximan el campo; un benchmark de torneo público sigue pendiente.
Control de varianza
Reconciliación de mazo duplicado, semilla 20260321
Delta de recompensa por mano con mazo pareado frente al ancla congelada
La línea base y el retador reproducen mazos idénticos, de modo que la comparación aísla la habilidad de la política de la suerte del reparto.
Los mazos pareados reducen la varianza pero aun así cubren una muestra acotada.
Disciplina de promoción
Cada candidato antes de llegar a producción
Puerta de mazo duplicado más puerta de campo en vivo ponderada
Un retador obtiene la promoción solo después de superar ambas puertas, pasar la prueba de humo del motor y mantenerse dentro del presupuesto de tiempo.
Los cribados cortos pueden inducir a error, así que el arnés prefiere ejecuciones de confirmación más largas.
Cómo inspeccionar este trabajo
Método antes que puntaje
El bot se gana su lugar mediante una pila de decisión documentada, es decir, lecturas de oponente ponderadas por señal, enrutamiento de modo de estilo bandit y búsqueda condicionada por incertidumbre, en lugar de un único umbral ajustado.
Arnés documentado
Cada promoción corre a través de un manifiesto que fija oponentes, conteos de manos y pesos de puntaje, y luego escribe una comparación ponderada; la estrategia confirmada y las notas de flujo de trabajo documentan cómo funciona esa puerta, aunque los scripts de estudio en sí permanecen fuera del árbol público.
Verificación para el lector
Lea el arnés como autojuego interno contra oponentes proxy heurísticos; trate las cifras de recompensa por mano en el registro de laboratorio como señal de cribado, y espere un benchmark de torneo público antes de leerlas como fuerza de campo.
Estudio de caso
Problema
El póker de torneo castiga una estrategia estática: los oponentes van desde estaciones pasivas hasta maniacos hiperagresivos, y algunos cambian de estilo a mitad de partida para tentar a un contraataque fijo.
Contexto
Pablo construyó un bot por capas sobre el motor del club, más un flujo de estudio que pone en etapas a los retadores en un carril separado, de modo que el código de producción se mantiene estable mientras corren los experimentos.
Método
El modelo de oponente pondera las señales de apuesta recientes por calle, tamaño de bote y costo de continuar, marca la inestabilidad y el riesgo de señal barata, y alimenta un selector de estilo bandit que enruta entre los modos solid, pressure, trap, showdown, robust, counter, equity y predator. Un retador híbrido añade enrutamiento posterior de régimen, puntuación empaquetada de EV por categoría a través de cinco categorías de acción, y una extensión de mayor cómputo de la búsqueda en el turn condicionada por incertidumbre que ya ejecuta el bot de producción. La promoción corre a través de estudios guiados por manifiesto con reconciliación de mazo duplicado.
Resultado
El ancla congelada se mantuvo como el valor por defecto de producción porque cada retador, incluida la pila híbrida más rica, no logró superarla en la puerta ponderada más larga; el registro de laboratorio deja constancia de ese veredicto junto con las rutas de los artefactos.
Límite
La evidencia sigue siendo autojuego interno contra proxies heurísticos sobre muestras de corto a mediano plazo; un número de titular de torneo público permanece pendiente.
Evidencia
El documento de estrategia confirmado, la documentación de flujo de trabajo y el registro de laboratorio en curso documentan la pila de enrutamiento, las puertas de promoción y cada decisión de aceptar o rechazar; los scripts de estudio de mazo duplicado que regeneran las comparaciones permanecen fuera del árbol público.
Resultados clave
Modelo de oponente ponderado por señal que separa la presión creíble del ruido temprano barato y marca los cambios de estilo
Enrutador de estilo bandit entre ocho modos especialistas con un término de exploración de estilo UCB
Retador híbrido con enrutamiento posterior de régimen, puntuación de EV en cinco categorías y búsqueda en el turn condicionada por incertidumbre
Arnés de backtest guiado por manifiesto con reconciliación de mazo duplicado y capturas de lanzamiento congeladas para comparación controlada