Ir al contenido
AI.info

The Pulse

Vals AI pone a prueba modelos de decisión con la gestión de un parque temático

Un nuevo benchmark de Vals AI pide a modelos de decisión que gestionen un parque de RollerCoaster Tycoon 2 durante tres años de juego. Decider V1.3 obtuvo la puntuación media más alta entre nueve modelos evaluados, mientras que tres modelos alcanzaron cada uno los 1.000 visitantes en una partida.

Vals AI pone a prueba modelos de decisión con la gestión de un parque temático

Nueve modelos de decisión de IA se hicieron cargo cada uno de un parque temático virtual durante tres años de juego en un nuevo benchmark de Vals AI; tres de ellos llegaron a 1.000 visitantes en una partida cada uno. Decider V1.3 obtuvo la puntuación media más alta, con 71 sobre 100, según los resultados de la empresa.

Decider V1.2 y GPT-6 Luna Decisions fueron los otros modelos que alcanzaron el umbral de visitantes. Cada modelo jugó tres partidas en la prueba, llamada RollerCoasterTycoonBench.

Gestionar el parque

El benchmark ejecuta OpenRCT2, una versión open source de RollerCoaster Tycoon 2, con los datos originales del juego y sin pantalla. Cada partida comienza en el escenario Forest Frontiers, un claro vacío con 10.000 dólares en efectivo y un préstamo de 10.000 dólares que puede aumentar hasta 30.000 dólares.

El objetivo es tener 1.000 visitantes y una calificación del parque de 600 en la escala del juego, que va de 0 a 999, al final de octubre del tercer año. Cada partida dura 96 turnos semanales.

Cada semana, un modelo puede abrir hasta seis ventanas del juego y hacer un cambio en cada una, como construir una atracción, contratar a un mecánico, cambiar un precio o pedir dinero prestado. La prueba presenta únicamente opciones que son legales y asequibles en ese momento, y las ordena de forma aleatoria en cada llamada. El sistema de prueba ejecuta la opción a la que el modelo asigna la mayor probabilidad.

Los modelos reciben una descripción en texto de la información que podría ver un jugador, incluidos los elementos de construcción y sus precios. La mitad de la puntuación de cada partida depende del progreso hacia los objetivos de visitantes y calificación; la otra mitad depende del valor de la empresa dividido por 100.000 dólares. El valor de la empresa es el valor del parque más el efectivo, menos el préstamo.

Préstamos, esperas y averías

Vals dijo que Decider V1.3 pidió prestados 5.000 dólares tres veces durante las primeras 19 semanas de cada partida y gastó el dinero de inmediato. Sus partidas terminaron con entre 965 y 1.042 visitantes.

Drex Max dejó pasar entre 43 y 49 de las 96 semanas sin abrir una ventana, incluidas entre 28 y 35 semanas en las que podía permitirse construir, según los resultados. En su primera partida, Decider V1.2 superó los 1.000 visitantes en la semana 34 y luego dejó pasar 38 de sus últimas 48 semanas, mientras su efectivo aumentaba hasta los 15.826 dólares.

Otro modelo, Decider Flash V1.2, cambió la frecuencia de inspección de las atracciones entre 439 y 469 veces por partida, pero nunca contrató a un mecánico, según informó Vals. Esos parques terminaron con entre 79 y 118 visitantes. En las 27 partidas en total, en 20 se pidió dinero prestado y en ninguna se devolvió.

Evaluar la prueba

Vals también ejecutó cada modelo tres veces más sin incluir los precios de construcción en la información de estado. En esa variante, la ventana de construcción solo aparecía cuando algo era asequible, por lo que el modelo no podía saber que un préstamo bastaría para pagar una atracción.

La empresa descubrió que siete de los nueve modelos promediaron más visitantes cuando se mostraban los precios. Drex Max promedió 836 visitantes con los precios y 409 sin ellos. Con tres partidas por variante, la diferencia de ningún modelo individual fue estadísticamente significativa.

Los investigadores también volvieron a reproducir 100 decisiones registradas de cada uno de seis modelos para examinar los cambios en la configuración de la prueba. Reordenar las opciones cambió entre el 0 % y el 34 % de las elecciones, según el modelo, mientras que reenviar una solicitud idéntica cambió entre el 0 % y el 9 %, dijo Vals.

La primera versión del benchmark excluye el trazado libre de caminos, el telesilla, los trazados personalizados de montaña rusa, la escenografía de gran tamaño, el agua, los cambios estéticos y los demás escenarios del juego.

Fuentes

  1. Fuente original · Entrada de blog Vals AI vals.ai

Noticias relacionadas

Explora

Más artículos