JumpStar — сильнейший в мире ИИ-движок для китайских шашек
С чего всё началось
Я создал JumpStar для своей мамы. Проект начался 15 мая 2026 года в Индиане, когда я помогал родителям переезжать из дома, где прошло наше детство. Собирая вещи, мы нашли нашу старую доску для китайских шашек и стали вспоминать, как весело было играть всей семьёй.
Когда мы с братом уехали учиться в университет, мама пыталась найти приложения с китайскими шашками для iPhone, чтобы продолжать играть самой, но ни одно из них не было по-настоящему хорошим. Учитывая успехи AlphaGo и Stockfish, я был уверен, что для китайских шашек наверняка существует множество сильных ИИ-движков с открытым исходным кодом, но их нет. Несмотря на популярность и изящество игры, сообщество ИИ уделяло китайским шашкам удивительно мало внимания. Именно этот пробел и побудил меня создать JumpStar.
Моей целью было создать первый сверхчеловеческий ИИ-движок для китайских шашек. Сильный компьютерный соперник позволил бы маме продолжать играть, даже когда нас с братом нет рядом. А сверхчеловеческий движок мог бы даже открыть новые красивые закономерности и стратегии игры, которые ещё не получили широкой известности.
Поэтому проект и стал публичным. Сильный закрытый движок интересен, но другим людям трудно его оценить или улучшить. Открытый бенчмарк ИИ для китайских шашек делает работу проверяемой: в нём есть свод правил, протокол, набор позиций, базовые движки, журналы партий и именованная модель JumpStar, которой могут бросить вызов другие системы.
Чем интересен ИИ для китайских шашек
У шахмат и го за плечами десятилетия открытой работы над ИИ: движки, бенчмарки, рейтинг-листы, общие записи партий. У китайских шашек почти ничего этого нет, хотя это как раз такая игра, которую ИИ хорошо умеет изучать. В ней нет скрытой информации, нет случайности, и условие победы понятно.
К тому же игра быстро усложняется. По правилам JumpStar для двух игроков есть 14 допустимых первых ходов, 196 вариантов первых двух ходов и 4 760 — к третьему. Дальше цепочки прыжков и забитые проходы делают хорошие ходы гораздо менее заметными, чем можно подумать по правилам.
Что такое JumpStar
JumpStar — это движок для китайских шашек, обученный на самоигре. Он построен на компактном ядре правил и поиска на C++20, нейросетевой модели стратегии и оценки (policy/value) и поиске по дереву методом Монте-Карло. Его сильнейшая открытая контрольная точка, JumpStar_60, — текущий чемпион бенчмарка CCERL-2P10-v2. Все модели JumpStar обучены на MacBook M4, а не на больших GPU-кластерах, на которых обучали знаменитые движки для шахмат и го.
Цель — сверхчеловеческая игра, и это утверждение можно проверить. При правилах для двух игроков JumpStar, судя по всему, играет на сверхчеловеческом уровне или близко к нему, а CCERL позволяет любому будущему движку оспорить этот результат.
Система
JumpStar — это полноценный движок и бенчмарк, а не только обученная модель.
- Правила и поиск. Компактная модель доски на 121 лунку со строгими правилами для двух игроков, быстрая генерация шагов и цепочек из нескольких прыжков и программа для проведения матчей. Правила намеренно прописаны явно, чтобы движок не мог выиграть, засев в треугольнике или воспользовавшись причудой судейской программы.
- Обучение на самоигре. JumpStar играет сам с собой, и на этих партиях обучается модель стратегии и оценки (policy/value), которая направляет следующий раунд поиска.
JumpStar_60— это сеть512x4, в которой около10.36Mпараметров; она обучена на1.8Mповторно проанализированных позициях. - Открытое тестирование. Открытой рейтинговой лестницы движков для китайских шашек не существовало, поэтому параллельно с JumpStar я создал
CCERL-2P10-v2. В нём определены правила, протокол движков, фиксированный набор стартовых позиций, базовые движки и способ расчёта рейтинга, а все журналы партий публикуются, чтобы результаты можно было проверить.
Как JumpStar играет в китайские шашки
JumpStar часто не просто бежит наперегонки. Он замедляет соперника, держит на месте полезные блокирующие фишки и выстраивает компактные треугольные построения, из-за которых через центр доски трудно перепрыгнуть.
Поскольку фишки никогда не снимаются с доски, оборонительное построение может держаться много ходов. Оно может перекрыть путь для прыжков, заставить соперника идти в обход и дать фишкам JumpStar время добраться домой.
Победная дебютная схема
| # | Игрок | Тип |
|---|
Цикл поиска и обучения
В общих чертах JumpStar следует схеме AlphaZero: самоигра порождает целевые распределения посещений MCTS, на этих целях обучается модель стратегии и оценки, а более сильная модель направляет следующий раунд поиска.
самоигра -> цели посещений MCTS -> обучение policy/value -> более сильный поиск -> самоигра
Практическая сила появилась благодаря тому, что этот цикл удалось сделать достаточно дешёвым для многократного запуска: нативные воркеры самоигры на C++, эффективная генерация ходов, пакетная оценка листьев, транспозиции, повторное использование поддеревьев, компактные записи и релизные сборки, настроенные под локальное оборудование Apple.
Значительная часть этого ускорения пришлась на работу с Codex на базе GPT-5.5 как с партнёром по разработке и исследованиям. Codex помогал изучать кодовую базу, профилировать узкие места, переписывать критичные участки кода, анализировать журналы обучения, упаковывать запуски бенчмарка и одновременно вести несколько экспериментальных направлений. Самые важные достижения были практическими: значительное ускорение самоигры и оценки, сокращение потребления памяти в пути обучения примерно на 98%, чтобы работа поместилась на моём локальном компьютере, и достаточная автоматизация, чтобы продолжать улучшать движок, параллельно работая на полную ставку генеральным директором Edia.
Проект продвигался необычайно быстро, потому что этот цикл был не только самоигрой для модели, но и итеративным инженерным циклом для всей окружающей системы. Codex позволял провести эксперимент, изучить причину сбоя, оптимизировать код, перезапустить бенчмарк, подвести итоги и превратить следующий вопрос в конкретный патч. Этот цикл обратной связи сжал работу над инфраструктурой, инструментами, фронтендом, бенчмарком и текстами, которая иначе могла бы занять месяцы, примерно до одной недели — от находки старой доски до публичного запуска.
Локальный учёт Codex даёт примерное представление о масштабе этого сотрудничества. Во всех ветках проекта, видимых в локальной базе данных состояния Codex, записанный показатель tokens_used составил в сумме примерно 559.9M токенов. Эти цифры включают контекст, вывод инструментов, эффекты кешированного контекста, учёт рассуждений и вывода, а также пересекающиеся рабочие ветки, поэтому их следует воспринимать как метрику процесса, а не как научное измерение вычислений.
CCERL и открытый бенчмарк
У китайских шашек нет зрелой открытой рейтинговой лестницы движков, как у шахмат и го, поэтому оценивать силу движков и их прогресс трудно. CCERL восполняет этот пробел. CCERL — первый открытый бенчмарк для оценки силы ИИ-движков для китайских шашек. Опираясь на аналогичные подходы из шахмат и го, CCERL предлагает фиксированные правила, проверенные стартовые позиции, парную смену сторон, загружаемые журналы партий и открытые базовые движки.
Судя по тестам CCERL, JumpStar с большим отрывом является сильнейшим в мире общедоступным ИИ-движком для китайских шашек.
Я считаю, что JumpStar достиг почти сверхчеловеческой силы игры в китайские шашки при правилах для двух игроков, используя вычислительные ресурсы уровня локального MacBook. Что ещё важнее, CCERL даёт всем будущим участникам цель: доработать JumpStar, создать новую модель, точнее перенести существующий движок, добавить более удачные позиции или выставить претендента при том же судействе.
Дальнейшие планы
JumpStar задуман не просто как закрытый бот. Проект стремится стать сразу несколькими вещами:
- Сильная открытая модель ИИ. JumpStar распространяется по открытой лицензии, а этот сайт бесплатен. Любой может сыграть против JumpStar или попробовать улучшить его самостоятельно. JumpStar полностью обучен на MacBook M4. Больше вычислительных ресурсов наверняка улучшат его результаты.
- Открытая инфраструктура для тестирования. У шахмат и го есть сообщества, где движки можно тестировать, сравнивать и улучшать. CCERL приносит ту же инфраструктуру в китайские шашки: понятные правила, воспроизводимые матчи, открытые журналы партий и возможность для других людей создавать собственные модели.
- Исследование самой игры. Сильный ИИ меняет то, что мы способны увидеть. Я хочу понять, как выглядит хорошая игра, как развиваются дебюты, почему тесные позиции ведут себя именно так и что происходит в партиях на трёх, четырёх и шести игроков, когда центр доски превращается в пробку из возможностей.
- Варианты для нескольких игроков. Модель для двух игроков — только начало. Самые захватывающие вопросы возникают, когда на доске становится теснее: три игрока, четыре, шесть, меняющиеся союзы, перекрытые пути и странные дебюты, возникающие сами собой. Я хочу выяснить, как выглядит сильная игра и там, и на досках гораздо больше стандартной. Сложность и закономерности, которые при этом проявятся, будут завораживающими.
Надеюсь, JumpStar побудит больше людей задуматься о китайских шашках, играть в них, изучать их и создавать что-то вокруг них.