Pablo Zavala · Évaluation de sécurité IA · Ingénierie de recherche
Bot de poker de tournoi à modélisation adaptative des adversaires
Un bot de poker de tournoi construit pour la compétition du CMU Data Science Club, visant la prise de décision sous incertitude face à des adversaires variés et hostiles. Le bot lit les tendances des adversaires à partir de signaux de mise en direct, oriente entre des stratégies spécialisées via un sélecteur de type bandit, et ne dépense une recherche plus lourde au tour (turn) que sur les situations à forte incertitude. Un harnais de backtest piloté par manifeste, avec réconciliation par paquets dupliqués et instantanés de version figés, enregistre chaque décision de promotion face à des adversaires fixes et des pondérations de score.
Bot de poker adaptatif avec un flux de travail d'étude documenté : routage postérieur des adversaires, scoring EV par compartiment empaqueté, recherche au tour conditionnée par l'incertitude, et backtests par paquets dupliqués pilotés par manifeste avec instantanés de version figés.
Dépôt de soumission public
La preuve repose sur le bot versionné et la méthode documentée ; les scripts d'étude par paquets dupliqués qui régénèrent les comparaisons restent hors de l'arborescence publique, un benchmark public de référence face au champ de tournoi réel demeure en attente, et les modèles d'adversaires restent heuristiques et statistiques.
Rôle: Pablo : stratégie du bot de l'équipe ainsi que le flux de travail expérimental reproductible, du modèle d'adversaire jusqu'à la porte de promotion.
Carte d'évaluation
Couverture des régimes d'adversaires
Échantillon
Porte de champ réel pondérée couvrant des proxies passifs, équilibrés/sélectifs, à changement de phase, piège pour classificateur et hyper-agressifs
Correcteur
Récompense par main par adversaire, mélangée selon des pondérations de manifeste fixes
Résultat
Un score pondéré unique classe chaque candidat sur l'ensemble du champ de proxies, de sorte qu'une tranche chanceuse contre un style reste visible plutôt que dissimulée.
Limite
Les adversaires proxy approximent le champ ; un benchmark de tournoi public reste en attente.
Contrôle de la variance
Échantillon
Réconciliation par paquets dupliqués, seed 20260321
Correcteur
Delta de récompense par main à paquets appariés par rapport à l'ancre figée
Résultat
La référence et le challenger rejouent des paquets identiques, de sorte que la comparaison isole l'habileté de la politique de la chance de la donne.
Limite
Les paquets appariés réduisent la variance mais ne couvrent encore qu'un échantillon borné.
Discipline de promotion
Échantillon
Chaque candidat avant qu'il n'atteigne la production
Correcteur
Porte par paquets dupliqués plus porte de champ réel pondérée
Résultat
Un challenger ne gagne sa promotion qu'après avoir franchi les deux portes, réussi le test de fumée du moteur et respecté le budget de temps.
Limite
Les présélections courtes peuvent induire en erreur, si bien que le harnais préfère des exécutions de confirmation plus longues.
Axes d'évaluation avec échantillon, correcteur, résultat et limite.
Axe
Échantillon
Correcteur
Résultat
Limite
Couverture des régimes d'adversaires
Porte de champ réel pondérée couvrant des proxies passifs, équilibrés/sélectifs, à changement de phase, piège pour classificateur et hyper-agressifs
Récompense par main par adversaire, mélangée selon des pondérations de manifeste fixes
Un score pondéré unique classe chaque candidat sur l'ensemble du champ de proxies, de sorte qu'une tranche chanceuse contre un style reste visible plutôt que dissimulée.
Les adversaires proxy approximent le champ ; un benchmark de tournoi public reste en attente.
Contrôle de la variance
Réconciliation par paquets dupliqués, seed 20260321
Delta de récompense par main à paquets appariés par rapport à l'ancre figée
La référence et le challenger rejouent des paquets identiques, de sorte que la comparaison isole l'habileté de la politique de la chance de la donne.
Les paquets appariés réduisent la variance mais ne couvrent encore qu'un échantillon borné.
Discipline de promotion
Chaque candidat avant qu'il n'atteigne la production
Porte par paquets dupliqués plus porte de champ réel pondérée
Un challenger ne gagne sa promotion qu'après avoir franchi les deux portes, réussi le test de fumée du moteur et respecté le budget de temps.
Les présélections courtes peuvent induire en erreur, si bien que le harnais préfère des exécutions de confirmation plus longues.
Comment inspecter ce travail
La méthode plutôt que le score
Le bot gagne sa place grâce à une pile de décision documentée, c'est-à-dire des lectures d'adversaires pondérées par signal, un routage de mode de type bandit et une recherche conditionnée par l'incertitude, plutôt qu'un unique seuil ajusté.
Harnais documenté
Chaque promotion passe par un manifeste qui fixe les adversaires, le nombre de mains et les pondérations de score, puis écrit une comparaison pondérée ; la stratégie versionnée et les notes de flux de travail documentent le fonctionnement de cette porte, bien que les scripts d'étude eux-mêmes restent hors de l'arborescence publique.
Vérification pour le lecteur
Lire le harnais comme du self-play interne contre des adversaires proxy heuristiques ; traiter les chiffres de récompense par main dans le journal de laboratoire comme un signal de présélection, et attendre un benchmark de tournoi public avant de les lire comme une force de terrain.
Étude de cas
Problème
Le poker de tournoi punit une stratégie statique : les adversaires vont de stations passives à des maniaques hyper-agressifs, et certains changent de style en cours de partie pour piéger un contre fixe.
Contexte
Pablo a construit un bot en couches sur le moteur du club, ainsi qu'un flux de travail d'étude qui met en scène les challengers dans une voie séparée, de sorte que le code de production reste stable pendant que les expériences s'exécutent.
Méthode
Le modèle d'adversaire pondère les signaux de mise récents par rue, taille de pot et coût de suite, signale l'instabilité et le risque de signal bon marché, et alimente un sélecteur de type bandit qui oriente entre les modes solide, pression, piège, abattage, robuste, contre, équité et prédateur. Un challenger hybride ajoute un routage postérieur de régime, un scoring EV par compartiment empaqueté à travers five action buckets, et une extension à calcul plus lourd de la recherche au tour conditionnée par l'incertitude que le bot de production exécute déjà. La promotion passe par des études pilotées par manifeste avec réconciliation par paquets dupliqués.
Résultat
L'ancre figée est restée le défaut de production car chaque challenger, y compris la pile hybride plus riche, n'est pas parvenu à la battre sur la porte pondérée plus longue ; le journal de laboratoire enregistre ce verdict aux côtés des chemins des artefacts.
Limite
La preuve reste du self-play interne contre des proxies heuristiques sur des échantillons courts à moyens ; un chiffre de référence de tournoi public demeure en attente.
Preuve
Le document de stratégie versionné, la documentation du flux de travail et le journal de laboratoire courant documentent la pile de routage, les portes de promotion et chaque décision d'acceptation ou de rejet ; les scripts d'étude par paquets dupliqués qui régénèrent les comparaisons restent hors de l'arborescence publique.
Résultats clés
Modèle d'adversaire pondéré par signal qui sépare la pression crédible du bruit précoce bon marché et signale les changements de style
Routeur de type bandit à travers eight modes spécialisés avec un terme d'exploration de type UCB
Challenger hybride avec routage postérieur de régime, scoring EV five-bucket, et recherche au tour conditionnée par l'incertitude
Harnais de backtest piloté par manifeste avec réconciliation par paquets dupliqués et instantanés de version figés pour comparaison contrôlée