Show HN : J'ai appris aux LLM à jouer à Magic : The Gathering les uns contre les autres

\u003ch2\u003eMontrer HN : J'ai appris aux LLM à jouer à Magic : The Gathering les uns contre les autres\u003c/h2\u003e

\u003cp\u003eCe post Hacker News "Show HN" présente un projet ou un outil innovant créé par des développeurs pour la communauté. La soumission représente l'innovation technique et la résolution de problèmes en action.\u003c/p\u003e

\u003ch3\u003ePoints forts du projet\u003c/h3\u003e

\u003cp\u003eAspects clés qui rendent ce projet remarquable :\u003c/p\u003e

\u003cul\u003e

\u003cli\u003eApproche open source favorisant la collaboration\u003c/li\u003e

\u003cli\u003eSolution pratique aux problèmes du monde réel\u003c/li\u003e

\u003cli\u003eInnovation technique dans le développement de logiciels\u003c/li\u003e

\u003cli\u003eEngagement communautaire et amélioration basée sur les commentaires\u003c/li\u003e

\u003c/ul\u003e

\u003ch3\u003eImportance technique\u003c/h3\u003e

\u003cp\u003eCe type de projet démontre la puissance du développement communautaire et l'évolution continue des solutions techniques grâce à des efforts de collaboration.\u003c/p\u003e

Foire aux questions

Comment les LLM comprennent-ils les règles complexes de Magic : The Gathering ?

Les LLM reçoivent des représentations structurées de l'état du jeu, y compris les cartes en main, le champ de bataille, le cimetière et le mana disponible. Le modèle raisonne par le biais d'actions en justice en utilisant sa compréhension en langage naturel du texte de la carte. Bien que les LLM ne « connaissent » pas intrinsèquement les règles MTG, des invites et des résumés de règles soigneusement conçus guident leur prise de décision. Le résultat est des agents capables de naviguer dans les interactions des cartes, les mathématiques de combat et les fenêtres de priorité – bien que la cohérence varie considérablement entre les modèles et les archétypes de deck.

Quel LLM a été le plus performant en jouant à Magic : The Gathering ?

Les résultats varient selon la phase de jeu et la complexité du deck, mais les modèles plus grands axés sur le raisonnement surpassent généralement les plus petits dans les arbres de décision à plusieurs étapes comme le combat. Les modèles qui suivent davantage les instructions ont tendance à effectuer moins de mouvements illégaux. Cela reflète les résultats de recherches complexes sur l’IA dans les jeux : la capacité brute compte moins que le raisonnement structuré. Si vous créez des outils basés sur l'IA comme celui-ci pour votre propre plate-forme, des solutions comme Mewayz (207 modules, 19 $/mois) peuvent accélérer le développement sans repartir de zéro.

Ce projet peut-il être étendu à d’autres jeux de cartes à collectionner comme Pokémon ou Yu-Gi-Oh ?

Oui - l'architecture de base consistant à coder l'état du jeu sous forme de texte structuré et à interroger un LLM pour la sélection d'actions est indépendante du jeu. Son adaptation nécessite de réécrire la couche de règles, l'analyse de la base de données de cartes et les modèles d'invite pour le jeu cible. La nature open source de ce projet facilite sa création et son extension. Les développeurs souhaitant créer et lancer de tels outils rapidement pourraient explorer des plates-formes telles que Mewayz, qui propose 207 modules prêts à l'emploi pour 19 $/mois pour prendre en charge un prototypage et un déploiement rapides.

Quelles sont les principales limites de l’utilisation des LLM comme agents de jeu ?

Les plus grandes limitations sont la latence, le coût par inférence et l'incohérence : les LLM peuvent effectuer des mouvements illégaux ou des choix stratégiquement mauvais, en particulier dans les parties longues avec de grandes mains. Ils manquent également de mémoire persistante d'un tour à l'autre, à moins que le journal de jeu complet ne soit réalimenté à chaque invite, ce qui augmente considérablement l'utilisation des jetons. Ces défis rendent les agents de jeu LLM mieux adaptés à la recherche et aux démonstrations qu'au jeu compétitif en production, du moins jusqu'à ce que les coûts d'inférence et la fiabilité s'améliorent considérablement.

{"@context":"https:\/\/schema.org","@type":"FAQPage","mainEntity":[{"@type":"Question","name":"Comment les LLM comprennent-ils les règles complexes de Magic: The Gathering ?","acceptedAnswer":{"@type":"Answer","text":"Les LLM sont invités à afficher des représentations structurées de l'état du jeu, y compris les cartes en main, le champ de bataille, le cimetière et le mana disponible. Le modèle raisonne à travers des actions en justice en utilisant son naturel compréhension du langage du texte de la carte Bien que les LLM ne « connaissent » pas intrinsèquement les règles MTG, soyez prudent.

Related Posts

• LCM : Gestion du contexte sans perte [pdf]
• Outil de sandboxing en ligne de commande peu connu de macOS (2025)
• L'IRS a perdu 40 % de son personnel informatique et 80 % de ses dirigeants technologiques lors d'une restructuration pour plus d'« efficacité »
• CXMT propose des puces DDR4 à environ la moitié du prix du marché.