Agente de aprendizaje por refuerzo de código abierto para jugar GuanDan de forma competitiva, con una mesa web jugable.
DanKS es una base de código de investigación para crear jugadores de IA para GuanDan, un juego de cartas por parejas para cuatro jugadores con información oculta. El agente ordena las jugadas legales: primero recupera acciones candidatas estructuradas, luego evalúa cómo afecta cada jugada a las combinaciones que quedan en la mano y, por último, aprende a elegir mediante una red Actor-Critic condicionada por el estado y las candidatas, entrenada con PPO y GAE.
El repositorio se organiza en tres generaciones de IA (V1, V2 y V3), además de un paquete de refinamiento de inferencia, V3Pro, que incorpora protección de activos, reglas para jugadas equivalentes y búsqueda de final de partida sin necesidad de volver a entrenar. También incluye KSPlay GuanDan Service en dos versiones: una sala con backend, árbitro y frontend basados en navegador que puede ejecutarse localmente con bots de ejemplo basados en reglas y admite IA externas mediante una interfaz HTTP.
El proyecto enlaza a un conjunto de datos público de partidas de GuanDan jugadas por personas, mantenido en un repositorio relacionado, y ofrece ejemplos de recuperación, inferencia de modelos e integración de V3Pro con entradas sintéticas. No incluye los pesos entrenados ni la infraestructura privada de servicio.
Clona el repositorio
git clone https://github.com/Calix-L/DanKS.gitEntra en el directorio service y crea un entorno virtual de Python 3.12
cd DanKS/services/v2 && python3.12 -m venv .venv && source .venv/bin/activateInstala los requisitos y compila arranger
python -m pip install -r requirements.txt && python scripts/build_arranger.pyInicia la tabla local y, después, abre http://127.0.0.1:8000/solo
python run.pyResumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Unity ML-Agents Toolkit permite usar juegos y simulaciones de Unity como entornos para entrenar agentes de IA mediante aprendizaje por refuerzo e imitación.
Modelo de código abierto para generar videos interactivos de juegos a partir de una imagen de referencia y controles de teclado o mouse.
Un breve libro introductorio sobre aprendizaje por refuerzo, desde los fundamentos hasta algoritmos aplicados, con implementaciones en PyTorch en el repositorio.
Interfaz gráfica de nodos, API y backend para ejecutar modelos de difusión localmente y generar imágenes, video, audio y contenido 3D.
Biblioteca de Python que ejecuta modelos de lenguaje grandes capa por capa para que los modelos de 70B puedan inferir en una sola GPU de 4 GB, sin cuantización.
Modelos generativos de video de código abierto y gran escala para crear videos a partir de texto, imágenes o audio, y animar personajes.