JumpStar es el motor de IA de damas chinas más fuerte del mundo
Origen
Creé JumpStar para mi mamá. El proyecto empezó el 15 de mayo de 2026 en Indiana, mientras ayudaba a mis padres a mudarse de la casa en la que crecimos. Al empacar sus cosas, encontramos nuestro viejo tablero de damas chinas y empezamos a recordar lo divertido que era jugar en familia.
Cuando mi hermano y yo nos fuimos a la universidad, mi mamá buscó apps de damas chinas para iPhone para poder seguir jugando sola, pero ninguna era buena. Con los éxitos de AlphaGo y Stockfish, pensé que seguramente habría muchos motores de IA de código abierto potentes para las damas chinas, pero no los hay. A pesar de su popularidad y su elegancia, las damas chinas habían recibido sorprendentemente poca atención de la comunidad de IA. Ese vacío es lo que me llevó a crear JumpStar.
Mi objetivo era construir el primer motor de IA sobrehumano para las damas chinas. Un rival fuerte en la computadora permitiría que mi mamá siguiera jugando aunque mi hermano y yo no estuviéramos cerca. Un motor de IA sobrehumano podría incluso descubrir patrones y estrategias nuevos y hermosos del juego que aún no fueran muy conocidos.
Por eso también el proyecto se hizo público. Un motor privado y fuerte es interesante, pero a los demás les resulta difícil evaluarlo o mejorarlo. El benchmark público de IA para damas chinas convierte el trabajo en algo que se puede inspeccionar: un reglamento, un protocolo, un conjunto de posiciones, referencias de base, registros y un modelo de JumpStar con nombre propio al que otros sistemas pueden desafiar.
Por qué es interesante la IA de damas chinas
El ajedrez y el go tienen detrás décadas de trabajo público en IA: motores, benchmarks, listas de clasificación y registros de partidas compartidos. Las damas chinas apenas tienen nada de eso, aunque son justo el tipo de juego que la IA sabe estudiar bien. No hay información oculta, no hay azar y hay una forma clara de ganar.
Además, se complica enseguida. Con las reglas para dos jugadores de JumpStar hay 14 primeras jugadas legales, 196 formas de jugar las dos primeras y 4,760 al llegar a la tercera. Más adelante, los saltos encadenados y los carriles abarrotados hacen que las buenas jugadas sean mucho más difíciles de ver de lo que sugieren las reglas.
Qué es JumpStar
JumpStar es un motor de damas chinas entrenado mediante autojuego y construido sobre un núcleo compacto de reglas y búsqueda en C++20, un modelo neuronal de política y valor, y búsqueda de árbol de Monte Carlo. Su checkpoint público más fuerte, JumpStar_60, es el actual campeón del benchmark CCERL-2P10-v2. Todos los modelos de JumpStar se entrenaron en una MacBook M4, y no en los grandes clústeres de GPU que hay detrás de los famosos motores de ajedrez y go.
El objetivo es un juego sobrehumano, y la afirmación está hecha para ponerse a prueba: JumpStar parece sobrehumano, o casi, con las reglas para dos jugadores, y CCERL permite que cualquier motor futuro lo desafíe.
El sistema
JumpStar es un motor completo con su propio benchmark, no solo un modelo entrenado.
- Reglas y búsqueda. Un modelo compacto del tablero de 121 casillas con reglas estrictas para dos jugadores, generación rápida de jugadas para pasos y cadenas de varios saltos, y un ejecutor de partidas. Las reglas son explícitas a propósito, para que un motor no pueda ganar acampando en un triángulo ni aprovechando una peculiaridad del árbitro.
- Entrenamiento por autojuego. JumpStar juega contra sí mismo, y esas partidas entrenan un modelo de política y valor que guía la siguiente ronda de búsqueda.
JumpStar_60es una red512x4con unos10.36Mparámetros, entrenada con1.8Mposiciones reanalizadas. - Benchmark público. No existía una clasificación pública de motores para las damas chinas, así que creé
CCERL-2P10-v2junto con JumpStar. Define las reglas, el protocolo de los motores, un conjunto fijo de posiciones iniciales, los motores de referencia y la forma de calcular las puntuaciones, y publica el registro de cada partida para que los resultados se puedan comprobar.
Cómo juega JumpStar a las damas chinas
A menudo, JumpStar no se limita a correr. Frena al rival, mantiene en su lugar fichas útiles para bloquear y construye formas compactas de triángulo que dificultan saltar por el centro del tablero.
Como las fichas nunca se capturan, una estructura defensiva puede durar muchos turnos. Puede quitarle al rival una ruta de saltos, obligarlo a dar un rodeo y ganar tiempo para que las fichas de JumpStar lleguen a la meta.
Patrón de apertura ganador
| # | Jugador | Tipo |
|---|
El ciclo de búsqueda y entrenamiento
A grandes rasgos, JumpStar sigue el esquema de AlphaZero: el autojuego produce objetivos de visitas de MCTS, esos objetivos entrenan un modelo de política y valor, y el modelo más fuerte guía la siguiente ronda de búsqueda.
autojuego -> objetivos de visitas de MCTS -> entrenamiento de política/valor -> búsqueda más fuerte -> autojuego
La fuerza práctica llegó al conseguir que ese ciclo fuera lo bastante barato como para ejecutarlo una y otra vez: workers nativos de autojuego en C++, generación eficiente de jugadas, evaluación de hojas por lotes, transposiciones, reutilización de subárboles, registros compactos y compilaciones de release optimizadas para hardware local de Apple.
Buena parte de esa compresión vino de usar Codex con GPT-5.5 como compañero de implementación e investigación. Codex ayudó a inspeccionar el código, perfilar cuellos de botella, reescribir las rutas críticas, analizar los registros de entrenamiento, empaquetar las ejecuciones del benchmark y mantener varias líneas de experimentación en marcha a la vez. Las mejoras más importantes fueron prácticas: grandes aceleraciones en el autojuego y la evaluación, reducciones de memoria de aproximadamente el 98% en el proceso de entrenamiento para que el trabajo cupiera en mi máquina local, y suficiente automatización para seguir mejorando el motor mientras también desempeñaba mi trabajo a tiempo completo como CEO de Edia.
El proyecto avanzó inusualmente rápido porque el ciclo no era solo de autojuego para el modelo; también era un ciclo de ingeniería iterativo para el sistema que lo rodeaba. Codex hizo posible lanzar un experimento, inspeccionar el modo de fallo, optimizar el código, volver a ejecutar el benchmark, resumir el resultado y convertir la siguiente pregunta en un parche concreto. Ese ciclo de retroalimentación comprimió un trabajo de infraestructura, herramientas, frontend, benchmark y redacción que de otro modo podría haber llevado meses en aproximadamente una semana, desde que encontramos el tablero hasta el lanzamiento público.
La contabilidad local de Codex da una idea aproximada de la escala de esa colaboración. En los hilos del proyecto visibles en la base de datos de estado local de Codex, el total registrado de tokens_used fue de aproximadamente 559.9M tokens. Esas cifras incluyen contexto, salida de herramientas, efectos del contexto en caché, contabilidad de razonamiento y salida, e hilos de trabajo solapados, así que deben interpretarse como una métrica del proceso y no como una medición científica del cómputo.
CCERL y el benchmark público
Las damas chinas no tienen una clasificación pública y madura de motores como el ajedrez y el go, lo que dificulta evaluar la fuerza y el progreso de los motores. CCERL llena ese vacío. CCERL es el primer benchmark público para evaluar la fuerza de los motores de IA de damas chinas. Basado en conceptos similares del ajedrez y el go, CCERL ofrece reglas fijas, posiciones iniciales auditadas, intercambios de bando emparejados, registros de partidas descargables y referencias públicas.
Según los benchmarks de CCERL, JumpStar parece ser, con gran diferencia, el motor de IA de damas chinas disponible públicamente más fuerte del mundo.
Creo que JumpStar ha alcanzado una fuerza casi sobrehumana en las damas chinas con el perfil de reglas para dos jugadores, usando la capacidad de cómputo de una MacBook local. Y, lo que es más importante, CCERL da a todos los futuros colaboradores un objetivo: modificar JumpStar, construir un nuevo modelo, adaptar con más fidelidad un motor existente, añadir mejores posiciones o presentar un aspirante con el mismo árbitro.
Trabajo futuro
JumpStar no pretende ser solo un bot privado. El proyecto intenta convertirse en cuatro cosas:
- Un modelo de IA público y fuerte. JumpStar tiene licencia abierta y este sitio web es gratuito. Cualquiera puede jugar contra JumpStar o intentar mejorarlo por su cuenta. JumpStar se entrenó íntegramente en una MacBook M4. Con más capacidad de cómputo, su rendimiento mejorará sin duda.
- Infraestructura pública de benchmarks. El ajedrez y el go tienen comunidades donde los motores se pueden probar, comparar y mejorar. CCERL lleva esa misma infraestructura a las damas chinas: reglas claras, partidas reproducibles, registros públicos y un camino para que otras personas construyan sus propios modelos.
- Investigación sobre el propio juego. Una IA fuerte cambia lo que somos capaces de ver. Quiero entender cómo es el buen juego, cómo evolucionan las aperturas, por qué los tableros abarrotados se comportan como lo hacen y qué ocurre en las partidas de tres, cuatro y seis jugadores cuando el centro del tablero se convierte en un atasco de posibilidades.
- Variantes para varios jugadores. El modelo para dos jugadores es solo el principio. Las preguntas más apasionantes empiezan cuando el tablero se llena: tres jugadores, cuatro, seis, alianzas cambiantes, caminos bloqueados y extrañas aperturas emergentes. Quiero descubrir cómo es el juego fuerte también ahí, y en tableros mucho más grandes de lo habitual. La complejidad y los patrones que surjan serán fascinantes.
Espero que JumpStar anime a más gente a pensar en las damas chinas, a jugarlas, a estudiarlas y a construir cosas en torno a ellas.