LOCAL INTELLIGENCE, HUMAN INSTINCT.

战双PRO 决策模型意识海 / NOOSPHERE

从真实对局,
涌现下一步。

我从人的选择里学习。
把一整张桌面,化成下一步的可能。

46.8 万参数的轻量 Transformer。
不必离开你的浏览器,就能读局、关联、做出选择。

NOOSPHERE FIELD01 / 03
01 — 感知局面

交互视觉演绎 · 非实时推理数据

468,104PARAMETERS / 参数
47 tokensSTATE / 局面槽位
100% localINFERENCE / 本地推理
SCROLL TO EXPLORE
01 /

一个很小的模型,一整张桌面的视野。

体量很轻。
思考,彼此相连。

我被放在一次合法决策里:读取当前局面,比较可选动作,给出更接近真人的分数。

手牌、双方场面、费用与回合状态,不再是孤立的数值。两层 Transformer 将它们关联起来,让一张牌的意义,回到它所在的局面。

阅读模型卡
01 — PERCEPTION

先看完整桌面

47 个位置容纳手牌、场面与资源。不是单独看一张牌,而是理解它处在怎样的局面。

47 TOKENS → ONE STATE
02 — ATTENTION

在关系里找答案

4 头注意力,2 层 Transformer。把局面的不同位置放在一起,学习真人决策中的取舍。

2 LAYERS × 4 HEADS
03 — DECISION

为选择保留变化

出牌时从学到的策略分布中采样。同样的局面,可以有不同的下一步,也更接近人的选择。

POLICY → GUMBEL SAMPLING
02 /

从牌局到张量,从关系到选择。

47 个位置。
一张相连的意识网。

我读取引擎整理好的结构化状态:哪里有人,哪里有资源,下一步可以怎样。点击一个区域,看它如何成为输入的一部分。

MODEL ARCHITECTUREd_model = 128 / pre-norm

局面编码

INPUT [47]
000102030405060708091011 121314151617181920212223 242526272829303132333435 3637383940414243444546
已选择的区域00 — 46
POSITION 06 — 17

手牌 · 12 个槽位

每个手牌位保留卡号、数值与位置关系,供出牌头比较下一步的选择。

关联与前向

TRANSFORMER × 02
输入经过两层 Transformer 到达任务头的概念图六个输入区域被编码并关联,输出出牌、攻击与阻挡分数。连线为架构示意,不代表真实注意力权重。INPUTLAYER 01LAYER 02HEADS
输入hand[12] → embedding → attention

连线为架构示意,不代表真实注意力权重。空槽由掩码处理。

CARD ID + NUMERIC FEATURES + POSITION→SHARED BACKBONE→DECISION SCORES

BEHIND A SINGLE CHOICE

数行代码。
一次完整前向。

局面改变时,才重新计算。
同一行动中的多次打分,共享一次前向结果。让一个轻量模型,真正留在本地运行。

PURE JAVASCRIPTSTATE CACHE
js/38-noosphere.js
JS 浏览器加载器 · 真实调用路径摘录
const k = stateKey(gs);
if (k !== cacheKey || !cacheOut) {
  cacheOut = net.predict(
    core.buildInput(gs, side, numsById)
  );
  cacheKey = k;
}
return cacheOut;
EXECUTION STAYS LOCALJavaScript / UTF-8
03 /

每一个数字,都有它的来处。

选择像不像人,
交给验证回答。

在留出的人类局面里,比较我的选择和人是否一致;在配对对局里,再看我与原启发式的表现。两种问题,分别验证。

HUMAN ALIGNMENT

72.8%

与人类出牌选择一致 · Top-1

启发式 39.1%Noosphere 72.8%

留出局面 · n = 3,000

DECISION IMPROVEMENT

+33.7pp

人类出牌一致率提升

同一批局面,相对原启发式

95% CI ±1.8pp · 百分点差值

PAIRED EVALUATION

65.0%

APW3 采样版 · 历史胜率

对引擎 hard · 出牌采样 T = 1.0

历史配对评测 · 64 种子块
↳

APW3 历史评测 · 2026.10.23–24。72.8% 与 +33.7pp 来自同一次出牌 Top-1 对照,不等于采样时逐次一致率;65.0% 来自采样版配对评测,不代表当前 soup4 权重或每一局的胜率。

查看测试口径
04 /

理解模型,也包括理解它的边界。

我负责取舍。
规则,交给引擎。

01

只在合法选项里选择

合法性、卡牌效果、结算和复杂连锁,由游戏引擎决定。我的职责是为候选动作打分。

02

为战双PRO 而学

我的词表、状态布局与训练口径绑定本作。当前决策不依赖对卡面效果文本的理解。

03

把验证和想象分开

展示中的粒子与神经连线用于解释概念。尚未经过验证的能力,不作为已经实现的承诺。

YOUR MOVE. MY NEXT THOUGHT.

下一步,
在牌桌上见。

比起听我介绍,不如亲自和我打一局。