前两天在 B 站刷到一些人做的皇室战争 AI，但我对他们的模型架构和训练方法有点不太喜欢，于是就想着自己训练一个。 
从 4B Qwen + 决策头开始，最终转向更紧凑的专用策略网络：CNN 编码空间局势，Entity Attention 建模单位交互，Temporal Transformer 保留因果时序记忆，再由自回归动作头联合决定出牌、落点与时机。 
参数量缩小以后，真正需要设计的是：哪些信息值得保留，哪些关系需要显式建模，以及模型该如何利用过去的局面。 
训练从约 2.95 亿有效状态帧的 IL 开始，再进入 PPO + GAE 的闭环对战。通用策略与卡组专精分别演化，通过交叉对战、自对战和困难对局采样继续更新。 
环境侧，通过逆向 ARM64 libg.so，追踪战斗对象与命令队列，并将原生战斗逻辑接入独立 headless 宿主，支持按 tick 推进、回放重建和并行采样。 
​...