TinyBrains 競賽推出用於策略遊戲 Ants 的小型神經網路

TinyBrains 推出一項專注於經典策略遊戲 Ants 的超小型神經網路競賽

TinyBrains 向開發者發起挑戰，要求訓練出符合嚴格權重等級限制（nano ≤ 16 KiB、micro ≤ 128 KiB、mini ≤ 1 MiB、small ≤ 8 MiB、large ≤ 64 MiB）且仍能達到高遊戲效能的神經網路。該競賽重啟了 2011 年的 Google AI Ants Challenge，但將手寫機器人替換為訓練模型，並透過清單（manifest）共同決定權重等級。

競賽機制的核心在於模型大小，而不僅僅是強度

模型加清單大小定義等級 – 序列化網路權重的總位元組數加上隨附的清單檔案，決定了提交作品所屬的五個權重等級之一。此規則迫使參與者同時壓縮架構與元數據。
效能以 Elo 風格評分衡量 – 每個提交的版本都會在公開排行榜上進行比賽；其評分反映了與同等級其他提交作品的勝負結果。
排行榜視覺化大小與評分的關係 – 對數圖顯示了每個活躍版本，讓使用者能輕鬆找出最高效的模型（低位元組數且高評分）。

"你的等級是被測量出來的，而非自行選擇" – TinyBrains 文件強調，大小限制是自動強制執行的，而非由使用者選擇。

當前的結果突顯了緊湊性與技能之間的權衡

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

所有頂尖參賽作品均標記為 baseline（基準），表示它們是由 TinyBrains 提供的入門程式碼所產生。近期的比賽顯示基準模型進行了正面對決，例如在 small-open-2p-3h 地圖上進行的 2 人對戰中，gr8b8m8 v1（評分 8）擊敗了 Minim v1（評分 2）。

社群回饋強調了興趣與改進空間

懷舊與學習價值 – 原發文者 codetiger 提到了他在 2011 年 Google Ants AI Challenge 的個人經驗，並希望新平台能重新點燃該學習社群。
對更清晰文件的渴望 – 評論者 lostdog 建議簡化關於權重等級選擇的措辭，而 vova_hn2 認為目前的說法模稜兩可，呼籲使用更清晰的語言。
技術可訪問性疑慮 – cookiengineer 指出，目前的 Python-PyTorch 技術堆疊可能會排除使用其他語言（例如 C++）的參與者，並提議為自訂訓練管線提供 Gym 相容介面。
對限制的好奇 – 多位評論者詢問網路在做出策略決策時可以縮小到什麼程度，以及是否也考慮了推論速度。
更廣泛的 AI 競賽背景 – 使用者參考了相關競賽，如 MIT Battlecode、Core War 和歷史悠久的 AI Wars，顯示出對緊湊型 AI 挑戰的廣泛需求。

如何開始

使用 GitHub 登入 TinyBrains 網站。
閱讀文件 – "Weight classes" 頁面解釋了大小限制與清單要求。
複製入門儲存庫：https://github.com/Tiny-Brains/ants-starter。
訓練模型 – 在選擇的大小預算內（例如 nano 等級小於 16 KiB）。
提交模型與清單 – 透過 "Submit a version" UI 進行提交。
觀看比賽 – 在排行榜上觀看比賽並監控您的評分。

為什麼專注於微型模型很重要

壓縮神經網路迫使開發者探索剪枝、量化、架構搜尋與新穎的編碼方案——這些技術與邊緣 AI 部署、行動裝置推論及低功耗硬體直接相關。透過將效能與大小掛鉤，TinyBrains 建立了一個實用的效率基準，補充了傳統以準確度為導向的競賽。

前景

競賽將持續至 2026 年 9 月 30 日（"Nuptial Flight Open" 截止日期），讓參與者有數個月的時間進行迭代。正如 Hacker News 討論中所反映的社群興趣，該平台未來可能會擴展到更多遊戲，或提供 Gym 風格的 API 以進行更廣泛的演算法實驗。

所有資訊均摘自 TinyBrains 網站及相關的 Hacker News 討論串；未添加任何外部資料。