小预算复现研究：LLM立直麻将对局中文本是瓶颈
热点事件观察中
小预算复现研究：LLM立直麻将对局中文本是瓶颈
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Mingge Xu 在 arXiv 发布论文，以极小预算复现了原 LLM 立直麻将对局研究（arXiv:2509.01328）：仅用至多 2B 参数模型、一块 16 GB 消费级 GPU、约 5 GPU-天。其结论称文本是瓶颈——2.6M 参数卷积牌桌编码器在 10 万决策训练集上与 AI Mortal 达成 80.6% 一致率，高于表现最好的文本提示 LLM 的 77.8%；训练扩至 171 万决策后，4.9M 参数 Transformer 达 94.7% 一致率，并在相同种子下胜过 0.8B LLM。研究还指出少量一致率差异并不转化为对局实力。按 Tenhou 条款，该复现仅发布代码、配置与评估协议，不发布训练权重。
AI 根据报道生成 · 1 小时前更新
最新进展10月26日 11:32
文本是瓶颈：小规模复现 LLM 立直麻将对局研究报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv · cs.CL文本是瓶颈：小规模复现 LLM 立直麻将对局研究
该研究以极小预算复现了 LLM 立直麻将对局实验：仅用至多 2B 参数模型、一块 16 GB 消费级 GPU、约 5 GPU-天。结果发现文本是瓶颈——2.6M 参数卷积牌桌编码器在 10 万决策训练集上与 AI Mortal 达成 80.6% 一致率，高于表现最好的文本提示 LLM 的 77.8%；扩至 171 万决策后，4.9M 参数 Transformer 达 94.7% 一致率，并在相同种子下胜过 0.8B LLM。研究还指出少量一致率差异并不转化为对局实力，并按 Tenhou 条款仅发布代码与评估协议、不发布训练权重。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。