論文の概要: Text Is the Bottleneck: A Small-Scale Replication of LLM Game Playing in Riichi Mahjong

• arxiv url: http://arxiv.org/abs/2610.34791v1
• Date: Mon, 26 Oct 2026 03:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.72842
• Title: Text Is the Bottleneck: A Small-Scale Replication of LLM Game Playing in Riichi Mahjong
• Title（参考訳）: テキストは「ボトルネック」:リイチ・マヒョン(Riichi Mahjong)のLSMゲームの小さな再現
• Abstract要約: 教師に対するトレーニングは、2.5倍のパラメータ増加以上の教師合意を提起する。 人間-レコードの合意では、両方の効果は+1.0であり、表ではどちらも見えません。 また、元の勝者フィルタにおける紙コードミスマッチを文書化し、2つのプライベートエンジンパッチを再構成し、分割・コンカレントパイプラインがテンプレート生成した日本語の有理数93%を文書化していることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We replicate the riichi-mahjong track of "Can Large Language Models Master Complex Card Games?" (arXiv:2509.01328) under a drastically smaller budget: models of at most 2B parameters, one 16 GB consumer GPU, about five GPU-days. (1) With matched data and labels, text is the bottleneck: on the same 100k-decision training set, a 2.6M-parameter convolutional board encoder agrees with the strong AI Mortal on 80.6% of test decisions, above every text-prompt LLM we train (best 77.8%), and places better at the table (2.85 over 1,000 games vs. ~3.0 for the LLMs; paired difference at n=100 not significant). Scaled to 1.71M decisions, a 4.9M-parameter Transformer reaches 94.7% agreement, beats the 0.8B LLMs on identical seeds (-0.45 ranks, sign test p=0.005), and is statistically equivalent to parity against three Mortal champions (TOST within 0.10 ranks, p=6e-4); parity against a teacher-opponent is roughly the ceiling of pure imitation. (2) Training toward the teacher raises teacher agreement more than a 2.5x parameter increase does (+2.5 vs. +1.5 points); on human-record agreement both effects are +1.0, and neither is visible at the table. (3) Few-point agreement differences do not resolve into playing strength within a family: +2.5 agreement points coincide with a paired placement difference of +0.02 +/- 0.12 ranks (p=1.0), and +2.0 points at 2B with -0.06 (p=0.37) - both below the ~0.25-rank resolution of 100 paired games. We also document a paper-code mismatch in the original winner filter, reconstruct its two private engine patches, and show that a divide-and-conquer pipeline makes template-generated Japanese rationales 93% sentence-exact (43% without facts). Per Tenhou's terms we release no trained weights - only code, configurations, and evaluation protocols.
• Abstract（参考訳）: 我々は,「Can Large Language Models Master Complex Card Games?」(arXiv:2509.01328)のriichi-mahjongトラックを,少なくとも2Bパラメータ,116GBのコンシューマGPU,約5GPU日という,非常に小さな予算で再現する。 1) 一致したデータとラベルによって、テキストはボトルネックとなる: 同じ100kのトレーニングセットでは、2.6Mのパラメータの畳み込みボードエンコーダが、テスト決定の80.6%で強力なAI Mortalと一致している。 1.71Mの判定で4.9Mパラメトリックトランスフォーマーは94.7%の合意に達し、同じ種(-0.45ランク、符号テストp=0.005)で0.8B LLMを破り、3つのモルタルチャンピオン(TOSTが0.10ランク、p=6e-4)に対するパリティと統計的に等価である。 2) 教師に対する指導は, 2.5倍のパラメータ増加(+2.5対+1.5点)以上の教師の合意を高める。 (3) 家族内でのプレイ強度の違いは、+2.5の合意点と+0.02+/-0.12の順位差(p=1.0)と、+2.0の2Bにおける-0.06(p=0.37)は、それぞれ100対のゲームで0.25ランク以下である。 また、元の勝者フィルタにおける紙コードミスマッチを文書化し、その2つのプライベートエンジンパッチを再構築し、テンプレート生成した日本語の有理数93%(事実のない43%)の有理数を生成することを示す。 Tenhou氏の言葉では、トレーニングされたウェイト(コード、設定、評価プロトコルのみ)はリリースしません。

関連論文リスト

• Token-Set Choice Confounds POPE: A Systematic Audit of Yes/No Extraction in VLM Hallucination Evaluation [0.0]
  我々はPOPEベンチマークで幻覚軽減効果を再現する。 LLaVA-1.5-7Bのベースラインは1.21から8.67ポイントであり、比較する予定の敵のベースラインより上であった。
  論文  参考訳（メタデータ） (2026-10-19T07:58:14Z)
• How to Build a Benchmark That Actually Measures Taste [39.170836363248604]
  専門家による"味"ベンチマークは、テストを実行する能力ではなく、クラフト判断に報いるべきだ。 TasteBenchは、ビジュアル、ブランド、書籍、およびテクノロジーアイテムを対象とした、ペアワイズで良質なvs-badベンチマークです。
  論文  参考訳（メタデータ） (2026-10-10T08:26:28Z)
• GameSmith: Scaling Zero-Sum Self-Play with Synthesised Games [44.22485477391687]
  2人のプレイヤーによるゼロサムゲームでの学習後の大規模言語モデル(LLM)は、検証可能な報酬を提供する。 本稿では,大容量コーパス制限スケーリングにおけるゲーム供給と有利な推定の両方をスケールするGameSmithを提案する。
  論文  参考訳（メタデータ） (2026-09-26T23:07:02Z)
• Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。 検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。 ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
  論文  参考訳（メタデータ） (2026-09-07T15:03:36Z)
• Do Geometry-Aware Positional Encodings Help Transformers in Spatial Imperfect-Information Games? [0.0]
  位置対応エンコーディングは,新たな位置対応エンコーディングを主張することなく,これらの機能を改善するかを検討する。 六角形の海軍追尾ゲームで4段階のベンチマークを構築した。 整合したトランスフォーマーのバックボーンでは、HexRoPEは位置エンコーディングを伴わないため、正確な後部エントロピーを減少させる。
  論文  参考訳（メタデータ） (2026-08-15T02:20:10Z)
• WDL-OPD: Weak-Driven On-Policy Distillation via Mixture-Constrained Co-Training [48.290951447286744]
  WDL-OPDは2つの訓練可能なポリシーを持つ混合制約付き協調訓練法である。 アンカーポリシはロールアウト毎に生成し、補助ポリシは同じ訪問状態を評価し、それらのトークン分布の幾何学的混合を逆KLで凍結教師にマッチングする。 凍結はPD$2とW2S-OPDと密接に関連するアンカープラスコントラストのプロキシターゲットを回復させるが,ジョイントトレーニングは静的デルタが表現できない分岐レベル自由度を生成する。
  論文  参考訳（メタデータ） (2026-08-10T11:22:53Z)
• THEIA: Learning Complete Kleene Three-Valued Logic in a Pure-Neural Modular Architecture [0.0]
  THEIAは2.75Mのモジュラー・ニューラルアーキテクチャで、外部のシンボル推論や手書きのK3ゲートプリミティブを使わずにタスクデータから完全Kleene 3値論理(K3)真理表を学習する。 トランスフォーマーのベースラインは39の規則すべてで99%に到達し、フラットは0.04pp以内のフェーズ1の精度でTheIAと一致している。
  論文  参考訳（メタデータ） (2026-04-13T10:44:15Z)
• WildBench: Benchmarking LLMs with Challenging Tasks from Real Users in the Wild [57.272096543738336]
  WildBenchは、大規模言語モデル(LLM)のベンチマーク用に設計された自動評価フレームワークである。 WildBenchは、100万以上の人間チャットボットの会話ログから慎重に選択された1,024のタスクで構成されている。 We have developed two metrics, WB-Reward and WB-Score which are computeable using Advanced LLMs。
  論文  参考訳（メタデータ） (2024-06-07T09:15:44Z)
• CommonsenseQA 2.0: Exposing the Limits of AI through Gamification [126.85096257968414]
  現代自然言語理解モデルの能力をテストするベンチマークを構築した。 本研究では,データ構築の枠組みとしてゲーミフィケーションを提案する。
  論文  参考訳（メタデータ） (2022-01-14T06:49:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。