比賽終於告一段落了 閉關一個禮拜，最後只拿到銀牌了。 (比賽還會繼續配對兩個禮拜，沒意外的話應該還是能守住牌。) 我做了一個線上對決器可以跟我做的AI對戰，開放個幾天，歡迎大家來跟我的AI PK看看！(連結在留言) 真的很久沒打 Kaggle 了，意外地很享受，這次的AI對戰不是一般 Agent 做 harness 或是LLM train content 的比賽，而是真的得碰 RL / model structure的。 有Coding Agents之後打比賽感覺很不一樣，明明是一個人參賽，卻像整個團隊參加，我幾乎把全公司資源都用上了，開了6個Agents，2x GROK 4.6、2x GPT-5.6 Sol、2x Fable5，一個禮拜的訂閱費幾乎全部燒光。 Grok 專注在稽核跟思維發想還有全部的策略統整，Fable 動手做實驗， GPT做EDA資料深度分析，這邊我還是要大推一下Grok，尤其4.6出來後資料分析的工作我也都請他做了，真的是超快又很少犯錯。 == Solution 分享 == 主線最後還是放在 Imitation Learning。從公開對局 dump 收頂尖隊伍的牌譜當老師，訓一個小 Transformer (d320、encoder-decoder 各兩層）架構上做了三件事：candidate self-attention 和雙 seed ensemble 是實測有感的升級（配對對局各拿到 +3pp 上下），legal mask 則是保底的基本功。 最大的重點是：BC 真正決定強度的不是模型，而是老師的資料品質。 老師要過全局＋分對局雙重勝率閘，一個爛老師混進來就可能毒掉整批資料；牌組也只混 52/60 張以上相似的 family，為了補 state coverage，高分池勝敗都收，低分池則只收贏場避免打弱對手會輸。 最後其實最多時間不是花在 training，而是在整理資料跟驗證，從老師那邊訓練了涵蓋 10 個對手牌組的 gate matrix，同 seed A/B 從 40 打到 80 場，再按金牌區實際 meta 分布加權。 訓練指標再漂亮都不算數，配對打得贏才算數。 終局交 Dragapult + Hydreigon牌組。 == 賽後檢討 == 其實我 RL 也認真試了一輪：self-play、advantage weighting、actor-critic、PFSP，但後面跑出來的結果都平盤甚至變差。 賽後看到強者的做法才想通問題。以前對稱環境純 self-play 很合理，但卡牌不是；不同牌組會把 state space 切成一塊一塊，固定牌組自己打自己，本質上一直在練 mirror match，實戰大部分盤面其實根本沒看過。 League PK RL 這件事我其實有做，我把自己訓好的各牌組 agent 組成陪練池，讓訓練分布蓋住整個 meta，但後來才想到：池子裡的全是我自己的 agent，而且是固定不動的，對手不會變強，RL 練到後來不是在學打牌，是在背池子裡 bot 的習性，陪練勝率一路漲，但最後對決原地踏步。 賽後看前段班的解法才補上最後一塊：人家的陪練池是「會一起進化的」每個牌組的 expert 邊練邊更新回池子裡，等於對手永遠比你想的新，陪練不能只是覆蓋 meta，還得跟你一起變強，這是真的沒想到的。(0xFunky)