JumpStar é o motor de IA mais forte do mundo para Damas Chinesas
Origem
Criei o JumpStar para a minha mãe. O projeto começou em 15 de maio de 2026, em Indiana, quando eu estava ajudando meus pais a se mudarem da casa onde crescemos. Enquanto encaixotávamos as coisas deles, encontramos nosso velho tabuleiro de Damas Chinesas e começamos a relembrar como era divertido jogar em família.
Depois que meu irmão e eu fomos para a faculdade, minha mãe tentou encontrar apps de Damas Chinesas para iPhone para continuar jogando sozinha, mas nenhum era bom. Com o sucesso do AlphaGo e do Stockfish, eu achei que com certeza haveria vários motores de IA de código aberto fortes para Damas Chinesas, mas não há. Apesar da popularidade e da elegância do jogo, Damas Chinesas recebeu surpreendentemente pouca atenção da comunidade de IA. Foi essa lacuna que me levou a criar o JumpStar.
Meu objetivo era criar o primeiro motor de IA sobre-humano para Damas Chinesas. Um adversário de computador forte permitiria que minha mãe continuasse jogando mesmo quando meu irmão e eu não estivéssemos por perto. Um motor de IA sobre-humano poderia até revelar padrões e estratégias novas e bonitas do jogo que ainda não eram amplamente conhecidas.
Também foi por isso que o projeto se tornou público. Um motor forte e privado é interessante, mas é difícil para outras pessoas avaliarem ou melhorarem. O benchmark público de IA para Damas Chinesas transforma o trabalho em algo verificável: um conjunto de regras, um protocolo, um conjunto de posições, referências de comparação, registros e um modelo JumpStar nomeado que outros sistemas podem desafiar.
Por que a IA de Damas Chinesas é interessante
O xadrez e o Go têm décadas de trabalho público em IA: motores, benchmarks, rankings e registros de partidas compartilhados. Damas Chinesas tem muito pouco disso, mesmo sendo o tipo de jogo que a IA sabe estudar bem. Não há informação oculta, não há sorte e existe uma forma clara de vencer.
E o jogo se complica rápido. Nas regras para dois jogadores do JumpStar, há 14 primeiras jogadas válidas, 196 maneiras de as duas primeiras jogadas acontecerem e 4.760 na terceira. Mais adiante, os saltos em cadeia e as rotas congestionadas tornam as boas jogadas bem mais difíceis de enxergar do que as regras sugerem.
O que é o JumpStar
JumpStar é um motor de Damas Chinesas treinado por autojogo, construído sobre um núcleo compacto de regras e busca em C++20, um modelo neural de política/valor e busca em árvore de Monte Carlo. Seu checkpoint público mais forte, JumpStar_60, é o atual campeão do benchmark CCERL-2P10-v2. Todos os modelos do JumpStar foram treinados em um MacBook M4, e não nos grandes clusters de GPU por trás dos famosos motores de xadrez e Go.
O objetivo é jogar em nível sobre-humano, e a afirmação foi feita para ser testada: o JumpStar parece sobre-humano, ou quase, nas regras para dois jogadores, e o CCERL permite que qualquer motor futuro conteste isso.
O sistema
O JumpStar é um motor completo com benchmark próprio, não só um modelo treinado.
- Regras e busca. Um modelo compacto do tabuleiro de 121 casas, com regras rígidas para dois jogadores, geração rápida de jogadas de passo e de sequências de vários saltos, e um executor de partidas. As regras são explícitas de propósito, para que um motor não consiga vencer acampando em um triângulo ou explorando uma peculiaridade do árbitro.
- Treino por autojogo. O JumpStar joga contra ele mesmo, e essas partidas treinam um modelo de política/valor que orienta a próxima rodada de busca. O
JumpStar_60é uma rede512x4com cerca de10.36Mparâmetros, treinada com1.8Mposições reanalisadas. - Benchmark público. Não existia um ranking público de motores para Damas Chinesas, então criei o
CCERL-2P10-v2junto com o JumpStar. Ele define as regras, o protocolo dos motores, um conjunto fixo de posições iniciais, os motores de referência e o cálculo dos ratings, e publica o registro de todas as partidas para que os resultados possam ser conferidos.
Como o JumpStar joga Damas Chinesas
Muitas vezes, o JumpStar não se limita a correr. Ele atrasa o adversário, mantém no lugar peças úteis para bloquear e monta formações compactas em triângulo que dificultam os saltos pelo meio do tabuleiro.
Como as peças nunca são capturadas, uma formação defensiva pode durar muitas rodadas. Ela pode tirar uma rota de saltos do adversário, obrigá-lo a dar a volta e ganhar tempo para as peças do JumpStar chegarem ao destino.
Padrão de abertura vencedor
| # | Jogador | Tipo |
|---|
O ciclo de busca e treino
Em linhas gerais, o JumpStar segue o modelo do AlphaZero: o autojogo produz alvos de visitas do MCTS, esses alvos treinam um modelo de política/valor e o modelo mais forte orienta a próxima rodada de busca.
autojogo -> alvos de visitas do MCTS -> treino de política/valor -> busca mais forte -> autojogo
A força prática veio de tornar esse ciclo barato o bastante para rodar repetidamente: workers de autojogo nativos em C++, geração de jogadas eficiente, avaliação de folhas em lotes, transposições, reaproveitamento de subárvores, registros compactos e builds de release ajustados para hardware local da Apple.
Grande parte dessa compressão veio de usar o Codex com o GPT-5.5 como parceiro de implementação e pesquisa. O Codex ajudou a inspecionar o código, identificar gargalos, reescrever trechos críticos, analisar registros de treino, empacotar rodadas de benchmark e manter vários experimentos andando ao mesmo tempo. Os ganhos mais importantes foram práticos: grandes acelerações no autojogo e na avaliação, redução de cerca de 98% no uso de memória no pipeline de treino para que o trabalho coubesse na minha máquina local, e automação suficiente para continuar melhorando o motor enquanto eu também cumpria meu trabalho em tempo integral como CEO da Edia.
O projeto avançou de forma incomumente rápida porque o ciclo não era apenas o autojogo do modelo; era também um ciclo iterativo de engenharia para todo o sistema ao redor dele. O Codex tornou possível rodar um experimento, investigar o modo de falha, otimizar o código, rodar o benchmark de novo, resumir o resultado e transformar a próxima pergunta em um patch concreto. Esse ciclo de feedback comprimiu um trabalho de infraestrutura, ferramentas, frontend, benchmark e redação que poderia ter levado meses em cerca de uma semana, da descoberta do tabuleiro ao lançamento público.
A contabilização local do Codex dá uma ideia aproximada da escala dessa colaboração. Somando as threads do projeto visíveis no banco de dados de estado local do Codex, o tokens_used registrado chegou a aproximadamente 559.9M tokens. Esses números incluem contexto, saída de ferramentas, efeitos de contexto em cache, contabilização de raciocínio/saída e threads de trabalho sobrepostas, então devem ser lidos como uma métrica de processo, e não como uma medição científica de computação.
O CCERL e o benchmark público
Damas Chinesas não tem um ranking público consolidado de motores como o xadrez e o Go, o que dificulta avaliar a força e a evolução dos motores. O CCERL preenche essa lacuna. O CCERL é o primeiro benchmark público para avaliar a força de motores de IA de Damas Chinesas. Com base em conceitos semelhantes do xadrez e do Go, o CCERL oferece regras fixas, posições iniciais auditadas, troca de lados em pares, registros de partidas para download e referências públicas de comparação.
Com base nos benchmarks do CCERL, o JumpStar parece ser, com folga, o motor de IA de Damas Chinesas mais forte do mundo disponível publicamente.
Acredito que o JumpStar chegou a um nível quase sobre-humano em Damas Chinesas no perfil de regras para dois jogadores, usando a capacidade de computação de um MacBook. Mais importante ainda, o CCERL dá a todos os futuros colaboradores um alvo: modificar o JumpStar, criar um novo modelo, adaptar com mais fidelidade um motor já existente, acrescentar posições melhores ou inscrever um desafiante com o mesmo árbitro.
Próximos passos
O JumpStar não foi feito para ser só um bot privado. O projeto está tentando se tornar quatro coisas:
- Um modelo de IA público e forte. O JumpStar tem licença aberta, e este site é gratuito. Qualquer pessoa pode jogar contra o JumpStar ou tentar melhorá-lo por conta própria. O JumpStar foi treinado inteiramente em um MacBook M4. Mais capacidade de computação certamente vai melhorar o desempenho.
- Infraestrutura pública de benchmark. O xadrez e o Go têm comunidades em que os motores podem ser testados, comparados e aprimorados. O CCERL leva essa mesma infraestrutura para Damas Chinesas: regras claras, partidas reproduzíveis, registros públicos e um caminho para que outras pessoas criem os próprios modelos.
- Pesquisa sobre o próprio jogo. Uma IA forte muda o que conseguimos enxergar. Quero entender como é um bom jogo, como as aberturas evoluem, por que tabuleiros congestionados se comportam como se comportam e o que acontece em partidas com três, quatro e seis jogadores, quando o meio do tabuleiro vira um engarrafamento de possibilidades.
- Variantes com vários jogadores. O modelo para dois jogadores é só o começo. As perguntas mais malucas começam quando o tabuleiro fica mais cheio: três jogadores, quatro jogadores, seis jogadores, alianças instáveis, caminhos bloqueados e aberturas estranhas que surgem espontaneamente. Quero descobrir como é o jogo forte nesses cenários também, e em tabuleiros muito maiores que o padrão. As complexidades e os padrões que vão surgir serão fascinantes.
Espero que o JumpStar incentive mais gente a pensar em Damas Chinesas, jogar, estudar e criar coisas em torno do jogo.