Skip to content
TheChatArchiveThe Chat Archive
Claudeclaude-3-5-haiku-20241022· AnthropicHugging Face LMArena Human Preference 140K

不围棋(No Go)竞赛规则 1. 棋盘同九路围棋棋盘,9×9; 2. 黑子先手,双方轮流落子,落子后棋子不可移动; 3. 对弈的目标不是吃掉对方的棋子,不是占领地盘; 4.…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with grok-3-mini-beta’s answer.
  1. User

    不围棋(No Go)竞赛规则 1. 棋盘同九路围棋棋盘,9×9; 2. 黑子先手,双方轮流落子,落子后棋子不可移动; 3. 对弈的目标不是吃掉对方的棋子,不是占领地盘; 4. 恰恰相反,如果一方落子后吃掉了对方的棋子,则落子一方判负; 5. 对弈结果只有胜负,没有和棋。

    根据这些规则,我现在已经设计了一个mcts算法的不围棋cpp程序,有哪些可以改进的方案

  2. Claude Assistant

    对于不围棋(No Go)这个有趣的变体游戏,我可以为您提供一些MCTS(蒙特卡洛树搜索)算法的改进建议:

    1. 评估函数优化
    • 设计专门针对不围棋规则的启发式评估函数
    • 考虑落子可能导致吃子的风险
    • 评估每个落子位置的"危险程度"
    1. 模拟策略改进
    • 在模拟阶段增加对"可能吃子"位置的权重
    • 引入启发式规则,避免明显会导致吃子的落子
    • 在模拟过程中加入对规则的严格检查
    1. 搜索树剪枝策略
    • 对于明显会导致自己判负的落子,直接剪枝
    • 优先探索不会立即吃子的分支
    • 增加对"安全落子"的探索权重
    1. 特殊规则处理
    • 实现精确的吃子判定逻辑
    • 快速检测落子是否违反规则
    • 建立高效的棋盘状态表示方法
    1. 机器学习增强
    • 使用深度学习模型预测落子风险
    • 通过自对弈训练改进策略网络
    • 结合策略网络和MCTS搜索
    1. 性能优化
    • 使用更高效的数据结构
    • 并行化MCTS搜索
    • 利用GPU加速蒙特卡洛模拟

    这些建议可以帮助您改进不围棋AI的性能和策略。每个方向都有深入研究的空间。

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.