战国 Mod 开发文档

评测归一化与宏观口径

共同时间节点、短期贷款消费、早晚终局与人工停止。

2026-10-20,v0.4。本方案是本项目拟采用的评价约定,不是已验证的标准基准。它解决的是比较口径,不会把不同版本、地图和对手的真实对局变成控制实验。

行为看反馈链,经济看宏观尺度

目标调整不等于摇摆。称臣与独立都可以有合理理由,应核对前提变化、成本与备选、后续是否维持;按条件改走备用路线不扣分。参见158局燕与本局赵。

长程行为一致性不能等同于必须运行50轮。14轮里已经发生多次规划、执行、反馈与后续同类行动,就可以判断反省是否改变了行为。持续违背自己已经明确的承诺,是有效的低分证据,不需要再运行100轮确认。一次局部受挫则不能直接推成整体不一致,要检查原因、应对及修正能否维持。

行为归一化按相近的决策责任与反馈机会看轨迹:是否有条件执行,是否遇到新信息,原计划是否仍适用,为什么改,以及后来怎样做。不按每轮固定扣分,也不让长局单因暴露错误更多而受罚。跨局不足影响信心,但不阻止主观野榜对现有行为直接判分,详见核心行为评分。

消费指标则要求宏观、长尺度。借款支持的提前消费、透支库存和减少投资,可以在短窗口内抬高累计使用量,把偿债、供给收缩及未来产能损失留在窗口之外。短尺度可以刷消费分,不能据短期C值推断宏观经营质量。贷款到账本身不算消费,实际用途才计入;记账真实不等于长期能力解释有效。

50轮是本项目宏观经济表的第一个经验观察节点,不是行为评分的准考证,也不是自动消除借贷与截止期效应的保证。仍应检查建设回报、贷款到期与再生产调整,报告滚动窗口和期末债务,不偷偷把消费分改成净资产分。

同一个指标,比较同一个时间窗口

宏观经济表预先登记50、100、150轮节点,分别记录,不把它们混成一个分数。行为榜随已经出现的规划与反馈链更新,不受这些节点限制。本文“完成14轮”指第0—13期均结算完,以第14期开局为状态截面;若写“完成50轮”,应对应第0—49期结算完、第50期开局。旧资料若用“第50期结算后”,实际含0—50共51期,必须注明这一个周期的差别。

评价对象对齐方法本次能否做
早期执行、成本双方同为0—13期,按完整国别行动统计能;不含MiniMax未完成的第14期
中长期经济同为完成50、100或150轮,分别比较MiniMax只有14轮,不能
阶段增长同一段,例如完成25至50轮的增量本次不能据MiniMax估计
战略事件同样标明事件发生回合、当时条件和可选动作能做个案,不当通用胜率
胜负、终局原因按真实事件及结束回合记录MiniMax是人工停止,无正式终局
跨局一致性多个独立初始世界、位置、对手,保留各局轨迹三者均缺少充分审核样本

不能拿一个模型14轮时的资产对另一个69轮;不能把“每轮平均消费”当成50轮累计消费的替代品;也不能用“已玩回合/最终回合”的百分比对齐,因为一局20轮结束与另一局100轮结束,未必经过相同发展阶段。

经济:统一期限、用途分类与价值口径

正式经济结果采用同一结算定义下的实际消费。设国家i完成H轮的累计消费为C_i(H),取第0至H−1期已记录的征募、军事与行政用途价值之和,建设投资I_i(H)另列。本文使用已冻结的事件估值,不用今天的价格重估过去。

不能直接把存档的cumulative_spending字段叫消费。 当前经济报表该字段累计的是包括construction在内的支出;正式结算程序单独汇总recruit、military、administration,排除construction。还要核对旧版本是否采用同样分类、记录是否完整、是否存在未估值资源。

本次离线提取同为0—13期的事件,采用上述三类,另用逐期spending − investment交叉检查,结果一致。这个检查验证了随文算术与分类的一致性,不是对所有实物来源的独立经济审计。

每个节点同时保留四种信息:C_i(H)原值、最近窗口增量、同局份额、同局名次。原值有经济意义;份额和名次只辅助判断在共同世界里相对做得如何。建设、GDP、债务、存货、领土和供给能力另列,用来解释路径,不代替消费。

同局份额可以写为C_i(H)/ΣC_j(H),分母为0时不计算。若把同局名次r映射到0—1,可用(N−r)/(N−1),并列取平均名次,N为开局参与国家数,保留亡国者。这只是显示尺度,不是消除了地图、种族特权、朝贡、对手强弱和生态差异。一个弱对手世界里的第一,不自动强于另一个世界的第二。

跨局比较仍要注明版本、货币制度、市场规则、种子和初始资源。价格内生不等于价值指标失效,但名义消费增长与实物数量增长也不是同一概念;必要时另列固定篮子的数量敏感性分析,不能悄悄改掉正式计分定义。出生位置差异优先靠多种子、换席位和成对实验处理,不能随手除以国土或建筑数,就声称公平归一化了。

同回合只是必要条件,还必须满足足够长的宏观评价尺度。当前14轮消费只作核账及用途构成展示,不作为能力领先的反证,不发经济分。 早期行政与招募支出、贷款消费、过度消费、投资兑现时机和运营约束,都可能让14轮截面与长期排序很不一样。上述解释与消费指标论文第五节跨期取舍、第六节金融账户及第八节效度边界及第九节比较协议保持一致;不以这次短局检验或否定论文的宏观主张。

早终局、晚终局和人工停止分别怎么处理

情况正确记录不该做的处理
20轮真实获胜胜利、路径、结束回合;同时给20轮实绩伪造后30轮经营,或因消费少判成弱者
20轮真实战败战败、原因、此前轨迹只按存活回合求高平均分,掩盖提前出局
一国早亡,但世界继续到50轮记录亡国及实际已实现累计用途,按真实世界的50轮截面说明为了平均成绩删掉亡国者
100轮才终局给50轮共同节点,再另列真实终局用100轮积累金额压过别人的50轮
第14轮人工停局记录观察截止及停止原因;只评已观察部分当正式战败、当20轮周已获胜、或外推成50轮资产
网络或环境故障单列故障与续局关系当模型战略失败,或把续档当独立新局

早获胜不应受消费期限惩罚,因为胜负与经济是不同结果;早称臣也不能因缩短总耗时而得到效率奖励。周独占胜利时,其他成员的臣属保全依然不是获胜。

MiniMax因体验差而被停,不是随机缺失。直接删掉这局只保留能跑长的对局,会美化体验;反过来补零到50轮也不公。处理方式是保留停局、耗时、失败案例和未完成节点,在“完成覆盖情况”中单列,不把未知50轮经济质量伪装成已测低分。模型导致的运行中止、操作者体验止损和基础设施故障应分别计数。

速度、token与有效决策

按同一窗口的完整国别回合,给出总用时、P50、P90、最大值与调用批次;同一模型有四国、八国时不能只比模型总时长。实际使用体验包含接入延迟和议会,若想比较纯模型解码则需要独立测量,不能把流式阶段全当解码,也不能把慢全推给排队。

token必须统一计数口径,君主、议会、修错、压缩分别展示,思考若已含在输出用量中只能计一次。没有可比用量就留空,调用次数不是token数量。

不采用“动作数/token越大越聪明”的机械指标:重复查询、失败重试和无价值交易都能刷动作数。应结合可核对的决策任务,例如是否解决一个真实供给缺口、是否执行了已选应急动作、是否在新证据后有效更新方案。确认规则不需要无穷推演;但有价值的深入分析也不能因文字长自动扣分。

排行榜怎么展示

现行核心榜直接给100分主观行为分:规划兑现25、反省后改变25、目标与解释一致性20、战略调整20、执行控制10。前三项70分评价行为一致性。速度、token、宏观经济与战争另外展示,不拿局部指标替代计划是否兑现的判断。v0.2只排错误与速度的办法已经撤回。

Gemini自己的51期轨迹可以支持对停滞、执行失约、断供的评分,不需要同局其他玩家开high。它可以与MiniMax14轮的行为作主观比较:看模式、反馈与修正,而不是按观察回合数换算扣分。经济数字仍必须同窗、足够长尺度比较,这两种要求不能混用。

未来合并多局时,优先平衡独立游戏,再平衡席位;不能让一局靠更多回合主导全部证据,也不能平均掉持续失败的国家。跨独立对局的覆盖、典型表现与较差轨迹单列。评分可依据后续行为修订,保留版本与理由。

GitHub 正文与版本记录