改善計画

2026-08-20 に作成し、2026-08-26 の記録まで反映した gen11 時点の計画です。すべてが現在も未着手という意味ではありません。

gen11 の状態

固定 YaneuraOu 基準への RATED 測定:

世代	Elo	備考
gen4	−522	自動ループ最初の完走
gen7	−481.8	以前の最大値
gen9	−638.0	弱い子モデルを昇格し続けて悪化
gen11	−450.0	リプレイ窓 12 + 昇格判定 −20。記録上の最大値

観測された問題へ直接効いたため、次の 2 点は維持しました。

• リプレイ窓を 5 → 12 世代へ拡大。
• 親に対し −20 Elo 未満の子モデルを落とす昇格判定を追加。

内部直接対局だけでは棋力向上と判定せず、外部基準 Elo と検証指標も確認します。

探索は第一のボトルネックではなくなった

sims	推定 Elo	前段からの向上
32	−1398	—
64	−1132	+266
128	−926	+206
256	−738	+188
512	−612	+126
1024	—	+16、棄却

初期には同じ重みで 32 → 256シミュレーションにするだけで +557 Elo 得られました。元の自己対局ループは、浅すぎる探索を教師にしていたことが分かります。

一方 gen11 時点では 512 → 1024 の追加効果はほぼ消えており、シミュレーション数を増やすだけの方針は主軸ではありません。

残っている弱点

検証で記録されている値:

• 方策 top1 約 49.9%、top5 約 88.8%。探索最終手が方策 top5 外にある割合は 14.2%。
• 価値符号一致率 約 0.75。

以降は探索深さそのものより、評価器と教師品質を中心に改善します。

優先項目

1. ネットワーク規模

15b256 に明確な容量不足は見えていません。大きくすると探索も遅くなるため、教師・価値信号の改善が頭打ちになってから比較実験として試します。

2. 価値の教師信号

value_weight=2.0 は不採用です。次の安価な仮説は value_q_ratio で、世代ループとは別の比較実験として測ります。

詳細: 価値ヘッドの劣化。

3. 教師探索

深い探索は蒸留教師を改善しましたが、探索量の曲線から有効な上限は 512 シミュレーション前後です。次は 512-sim 教師を比較します。

仮想損失で教師生成を高速化できても、教師品質が落ちないことを先に確認します。

4. データ多様性

候補:

• 高評価だったのに負けた局面を抽出する。
• 自己対局の一部へ固定外部エンジンを混ぜる。
• 明確な悪化が出るまでは リプレイ窓と昇格判定を維持する。

同じ種類のデータを単純に増やすだけでは効果が小さいことは確認済みです。

5. 探索の高速化

目的は「良い教師を安く作る」ことです。対局時 シミュレーション数を無制限に増やすためではありません。バッチ幅は シミュレーション数と同時に調整します。

6. 方策品質

探索が見つける手の一部を方策はまだ外しています。方策変更は検証だけでなく同一時間対局でも判断します。1 ノードが遅くなるなら、事前分布が良くても総合棋力で負けることがあります。

Manaka との分離

以前の計画にあった CPU・差分更新型のゼロ知識評価器は、既に独立した Manaka プロジェクトになりました。今後は DLManaka 内の案ではなく、別エンジンとして比較します。

次の比較実験

1. value_q_ratio。
2. 512シミュレーション教師と 仮想損失の品質。
3. 低探索量・通常探索量の両方を見る世代ごとの外部測定。
4. その後にネットワーク規模や方策構造を比較。

各実験では主要変数を 1 つだけ変えます。改善と呼ぶのは、外部対局と 検証指標が同じ主張を支持した場合だけです。