gomoku-baseline

一个 15×15 无禁手五子棋（freestyle，五连及以上获胜）的策略网络。

185,724 参数，单次前向直接给出每个格子的分数，取合法格中最高者落子——没有搜索、没有 VCF、没有双三检测。在 300 局配对中胜过了本仓库冻结的规则型启发式 **63.0%**。

这是历史的监督学习基线。当前 ValuePolicyNet 架构的最终形态是 w2Tao/gomoku-v1——它在同一主干上从 RAPFI25（2026 Gomocup 冠军）的主变继续蒸馏，外部强度显著更高。

训练数据在 w2Tao/gomoku-15x15： gomocup15.npz（344,989 局面，Gomocup 引擎棋谱，去重后）和 teacher15.npz（150,000 局面，启发式自博弈）。 代码在 github.com/w2Tao/gomoku。

模型

ValuePolicyNet(channels=48, blocks=4, head_channels=24)
  stem   Conv3x3(3 -> 48) + BN + ReLU
  body   4 个残差块（每块两个 3x3 卷积 + BN）
  value  Conv1x1(48 -> 24) + BN + ReLU + Flatten + Linear(24*225 -> 3)
  policy Conv1x1(48 -> 1) + flatten + 可学习的 225 维位置偏置

感受野 19 ≥ 15，所以每个输出单元都能看到整个棋盘。输入是三层平面：我方棋子、对方棋子、对手最后一手。

训练

阶段	数据	步数
1. 老师蒸馏	冻结启发式自博弈，150,000 局面（着法 + 胜负）	8,000
2. 微调	Gomocup 2026 引擎棋谱，344,989 局面（去重后；着法 + 胜负）	8,000

batch 256，8 倍二面体增强，value + policy 双头联合训练。

为什么两段式

单独用启发式数据（蒸馏）训出来只能达到老师水平——实测对老师 47.0%。单独用引擎棋谱从零训能到 57.5%。先蒸馏再微调能到 63.0%（修复/去重后的数据；旧数据上的历史 run t2_finetune 是 65.5%）。弱老师提供的开局直觉是有价值的先验。

实测

对手	得分	局数
冻结启发式（VCF 深度 7 + 双三）	63.0%	300（配对，换色，同开局）
冻结启发式，历史 run t2_finetune（旧建库）	65.5%	200
只蒸馏的版本（t1）	47.0% 对启发式	200
只用棋谱的版本（t3）	57.5% 对启发式	200

外部上，这个基线对 2026 年 Gomocup 第 6 名的 EMBRYO26 只有约 **12.8%**，对 2014 年的 TITO14 一局未胜（24 局）。

用法

import torch
from model import ValuePolicyNet  # 本仓库 code/model.py

ck = torch.load("model.pt", map_location="cpu", weights_only=False)
net = ValuePolicyNet(**ck["config"]).eval()
# 注意 forward 返回 (value_logits, policy_logits)
_, policy = net(x)              # x: (N, 3, 15, 15) float32
move = policy[0].masked_fill(occupied, -inf).argmax().item()

格子按行主序编号，idx = r * 15 + c，0 <= idx < 225。

局限

• 没有搜索：会漏掉 VCF / 双三。用价值头做 1 层搜索已测且明确更差（对启发式 −23.5 个点，report.md §7.4）。
• 开局多样性差：训练数据每个联赛只有 12 个固定开局，前几手会被这 12 个主导。
• 标签是引擎的策略化胜负，不是博弈论最优值。
• 训练数据来自 Gomocup 2026 的公开棋谱，该来源没有明确许可证，见数据集卡片。