Преподавание AI-агенту игры в покер с помощью оптимизации предпочтений

arXiv: 261 020.27028v 1 Annuate Type: новый Резюме: Покерный агент может сделать легальный шаг и по-прежнему делать стратегически бедную. Мы задаемся вопросом, могут ли компактные АИ-агенты проявлять стратегическое поведение при скрытой информации и может ли оптимизация преференций улучшиться вне статической политики и политики нулевого риска. Сначала мы оцениваем статический фон и три модели замороженных языков: SmallThinker, Qwen3 и Gemma-3, показатели работы которых существенно различаются между точной игрой и оценкой шести игроков. Поэтому мы предлагаем оптимизацию стратегических приоритетов с помощью KL-анкордированного эквивалента (SPOKE), сочетающего в себе штрафы за соотношение между учителями и преподавателями, политику закрепления, ограничения риска и структурированный логичный надзор, а также сопоставляем его со СФТ, ДПО, ГРП и ВСПГС. В рамках трех прогонов политики SmallTinker-4B-A0.6B СПОК достигает наименьшей средней степени эксплуатации в Куне (0,213) и Ледуке (1,081) и самой высокой из шести максимальных соглашений с верхним уровнем 1 (0,775), сохраняя при этом учитель KL, сопоставимую со СФТ (0,522 против 0,523). Эти повтор