文本才是瓶颈：在 2B 参数以内小预算复现 LLM 打日本麻将

查看 PDF HTML（实验性）

摘要：我们以大幅缩减的预算复现了《大型语言模型能掌握复杂卡牌游戏吗？》（arXiv:2509.01328）中的立直麻将赛道：模型参数量至多 2B，单张 16 GB 消费级 GPU，约五个 GPU 日。(1) 在数据与标签匹配的情况下，文本是瓶颈：在同一个 10 万决策训练集上，一个 2.6M 参数的卷积棋盘编码器与强 AI Mortal 在 80.6% 的测试决策上一致，高于我们训练的所有文本提示 LLM（最佳 77.8%），并且在牌桌上的排名更好（1,000 局中为 2.85，而 LLM 约为 3.0；n=100 时配对差异不显著）。扩展到 171 万决策后，一个 4.9M 参数的 Transformer 达到 94.7% 的一致率，在相同随机种子上击败 0.8B 的 LLM（-0.45 名次，符号检验 p=0.005），并且在统计上等同于与三位 Mortal 冠军持平（TOST 在 0.10 名次内，p=6e-4）；与教师对手持平大致是纯模仿的上限。(2) 面向教师训练比参数增加 2.5 倍更能提升教师一致率（+2.5 对 +1.5 个百分点）；在人类记录一致率上两种效应均为 +1.0，且二者在牌桌上都不可见。(3) 几个百分点的一致率差异在同一模型家族内并不能转化为牌力：+2.5 个一致率百分点对应 +0.02 +/- 0.12 名次的配对排名差异（p=1.0），而 2B 模型上 +2.0 个百分点对应 -0.06（p=0.37）——两者都低于 100 局配对比赛约 0.25 名次的分辨率。我们还记录了原始胜者过滤器中的论文-代码不一致，重建了其两个私有引擎补丁，并表明分治流水线使模板生成的日文理由达到 93% 的句子级精确率（无事实时为 43%）。根据天凤的条款，我们不发布任何训练权重——只发布代码、配置和评估协议。

评论：	12 页，3 幅图，2 张表。复现 arXiv:2509.01328 的立直麻将赛道。发布代码、配置和约 3,200 局竞技场对局日志；不发布训练权重（天凤数据条款）
主题：	计算与语言（cs.CL）
ACM 分类：	I.2.7; I.2.6
引用为：	arXiv:2610.34791 [cs.CL]
	（或 arXiv:2610.34791v1 [cs.CL] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.34791 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Mingge Xu [查看邮箱]
[v1] 2026 年 10 月 26 日星期一 03:32:44 UTC（74 KB）