TinyBrains 竞赛为策略游戏《蚂蚁》推出小型神经网络

TinyBrains 发起了一项专注于为经典策略游戏《蚂蚁》开发超紧凑神经网络的竞赛

TinyBrains 向开发者发起挑战，要求训练出的神经网络在严格的权重等级限制内（纳米级 ≤ 16 KiB，微型级 ≤ 128 KiB，迷你级 ≤ 1 MiB，小型级 ≤ 8 MiB，大型级 ≤ 64 MiB）仍能实现出色的游戏表现。该竞赛复刻了 2011 年的 Google AI Ants Challenge，但将手写机器人替换为训练模型，并引入了清单文件来共同决定权重等级。

竞赛机制的核心在于模型大小，而不仅仅是实力

模型加清单的大小决定等级 – 序列化网络权重与配套清单文件的总字节数决定了提交作品所属的五个权重等级之一。这一规则迫使参与者同时压缩架构和元数据。
性能通过 Elo 风格的评分衡量 – 每个提交的版本都会在公共排行榜上进行比赛；其评分反映了在同一等级内与其他提交作品的胜负结果。
排行榜可视化展示大小与评分的关系 – 对数图表显示了每个活跃版本，可以轻松识别出最高效的模型（在低字节数下获得高评分）。

“你的等级是测量出来的，而不是选出来的” – TinyBrains 文档强调，大小限制是自动强制执行的，而非由用户选择。

当前结果凸显了紧凑性与技能之间的权衡

排名	模型	评分
1	Media v1 (基准)	25.0
2	Scout v1 (基准)	24.9
3	Harvester v1 (基准)	24.6
4	Forager v1 (基准)	24.5
5	Minim v1 (基准)	21.8

所有排名靠前的条目都被标记为 baseline（基准），表明它们是由 TinyBrains 提供的入门代码生成的。最近的比赛显示基准模型在进行正面交锋，例如在 small‑open‑2p‑3h 地图上进行的一场 2 人对战中，gr8b8m8 v1（评分 8）击败了 Minim v1（评分 2）。

社区反馈强调了兴趣点和改进空间

怀旧与学习价值 – 原发布者 codetiger 提到了自己在 2011 年 Google Ants AI Challenge 中的个人经历，并希望新平台能重新点燃那个学习社区。
对更清晰文档的渴望 – 评论者 lostdog 建议简化关于权重等级选择的措辞，而 vova_hn2 认为当前的表述模棱两可，呼吁使用更清晰的语言。
技术可访问性担忧 – cookiengineer 指出，当前的 Python‑PyTorch 技术栈可能会排除使用其他语言（如 C++）的参与者，并提议为自定义训练流水线提供一个兼容 Gym 的接口。
对极限的好奇 – 多位评论者询问神经网络在做出战略决策时可以小到什么程度，以及推理速度是否也在考虑范围内。
更广泛的 AI 竞赛背景 – 用户提到了相关的竞赛，如 MIT Battlecode、Core War 和历史悠久的 AI Wars，表明对紧凑型 AI 挑战有着更广泛的需求。

如何开始

使用 GitHub 登录 TinyBrains 网站。
阅读文档 – “权重等级”页面解释了大小限制和清单要求。
克隆入门仓库：https://github.com/Tiny-Brains/ants-starter。
在选定的预算范围内训练模型（例如，纳米级小于 16 KiB）。
通过“提交版本”界面提交模型和清单。
观看排行榜上的比赛并监控你的评分。

为什么关注微型模型很重要

压缩神经网络迫使开发者探索剪枝、量化、架构搜索和新颖的编码方案——这些技术与边缘 AI 部署、移动端推理和低功耗硬件直接相关。通过将性能与大小挂钩，TinyBrains 创建了一个实用的效率基准，补充了传统的以准确性为导向的竞赛。

前景

竞赛将持续到 2026 年 9 月 30 日（“婚飞公开赛”截止日期），给参与者几个月的时间进行迭代。正如 Hacker News 讨论中所反映的那样，社区的兴趣表明该平台可能会扩展到其他游戏，或提供 Gym 风格的 API 以进行更广泛的算法实验。

所有信息均摘自 TinyBrains 网站及相关的 Hacker News 讨论帖；未添加任何外部数据。