和小伙伴@扛把子魔王一起搞了将近一个月的基于强化学习的ygo agent的研究，过程中也烧了将近2000刀订阅的token,胜率打基于规则的winbot也到了60%，但始终很难解决泛化问题，长程任务奖励的信用分配问题也很难，导致一直在和一些奇奇怪怪的任务较劲，比如模型会反复攻击-取消-攻击-取消直到超时等等。
也参考github上开源的ygo agent的研究以及konami写的日文masterduel论文，但说实话，上限都不高，也就是勉强强于基于规则的winbot水平。
今天偶然试了下，直接接入gpt6-astra，把ygo规则卡牌效果直接喂给他让他直出和winbot打闪刀内战，这是第一次尝试，自然也不可能有任何后训练，本来只想着能证明下llm打牌是更好的方向，之后打算拿qwen做下rl后训练。
但没想到第一次就震惊到我了，下面发全流程和录像。