[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Equim-chan--Mortal":3,"tool-Equim-chan--Mortal":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":79,"owner_url":83,"languages":84,"stars":105,"forks":106,"last_commit_at":107,"license":108,"difficulty_score":109,"env_os":110,"env_gpu":111,"env_ram":111,"env_deps":112,"category_tags":115,"github_topics":116,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":125,"updated_at":126,"faqs":127,"releases":167},3977,"Equim-chan\u002FMortal","Mortal","🚀🀄️ A fast and strong AI for riichi mahjong, powered by Rust and deep reinforcement learning.","Mortal 是一款专为日本立直麻将打造的开源人工智能程序，旨在提供快速且高水平的对局策略。它主要解决了麻将游戏中因信息不完全和概率复杂而难以制定最优决策的难题，通过深度强化学习技术，让机器能够像人类高手一样思考并做出精准判断。\n\n这款工具特别适合对麻将 AI 感兴趣的研究人员、希望分析牌局策略的进阶玩家，以及想要探索强化学习在游戏领域应用的开发者。普通麻将爱好者也可以利用它来复盘对局或提升自身水平。\n\nMortal 的核心亮点在于其底层采用 Rust 语言编写，确保了极高的运行效率与稳定性，同时结合了先进的深度强化学习算法进行训练。作为免费开源项目，它不仅提供了完整的源代码供社区学习和改进，还公开了训练好的模型权重，方便用户直接体验或进行二次开发。无论是用于学术研究还是娱乐辅助，Mortal 都是一个强大而透明的选择。","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_readme_008a529bfd4d.png\" width=\"550\" \u002F>\n\u003C\u002Fp>\n\n# Mortal\n[![GitHub Workflow Status](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002FEquim-chan\u002FMortal\u002Flibriichi.yml?branch=main)](https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Factions\u002Fworkflows\u002Flibriichi.yml)\n[![GitHub Workflow Status](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002FEquim-chan\u002FMortal\u002Fdocs.yml?branch=main&label=docs)](https:\u002F\u002Fmortal.ekyu.moe)\n[![dependency status](https:\u002F\u002Fdeps.rs\u002Frepo\u002Fgithub\u002FEquim-chan\u002FMortal\u002Fstatus.svg)](https:\u002F\u002Fdeps.rs\u002Frepo\u002Fgithub\u002FEquim-chan\u002FMortal)\n![GitHub top language](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Ftop\u002FEquim-chan\u002FMortal)\n![Lines of code](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_readme_6698c28db089.png)\n![GitHub code size in bytes](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Fcode-size\u002FEquim-chan\u002FMortal)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FEquim-chan\u002FMortal)](https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fblob\u002Fmain\u002FLICENSE)\n\n[![Donate](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDonate-%E2%9D%A4%EF%B8%8F-blue?style=social)](https:\u002F\u002Fmortal.ekyu.moe\u002Fdonate.html)\n\nMortal ([凡夫](https:\u002F\u002Fwww.mdbg.net\u002Fchinese\u002Fdictionary?wdqb=%E5%87%A1%E5%A4%AB)) is a free and open source AI for Japanese mahjong, powered by deep reinforcement learning.\n\nRead the [**Documentation**](https:\u002F\u002Fmortal.ekyu.moe) for everything about this work.\n\n## Okay cool now give me the weights!\nRead [this post](https:\u002F\u002Fgist.github.com\u002FEquim-chan\u002Fcf3f01735d5d98f1e7be02e94b288c56) for details regarding this topic.\n\n## License\n### Code\n[![AGPL-3.0-or-later](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_readme_97da3e0a675d.png)](https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fblob\u002Fmain\u002FLICENSE)\n\nCopyright (C) 2021-2022 Equim\n\nThis program is free software: you can redistribute it and\u002For modify it under the terms of the GNU Affero General Public License as published by the Free Software Foundation, either version 3 of the License, or (at your option) any later version.\n\nThis program is distributed in the hope that it will be useful, but WITHOUT ANY WARRANTY; without even the implied warranty of MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU Affero General Public License for more details.\n\nYou should have received a copy of the GNU Affero General Public License along with this program. If not, see \u003Chttps:\u002F\u002Fwww.gnu.org\u002Flicenses\u002F>.\n\n### Logo and Other Assets\n[![CC BY-SA 4.0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_readme_3493000973a3.png)](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-sa\u002F4.0\u002F)\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_readme_008a529bfd4d.png\" width=\"550\" \u002F>\n\u003C\u002Fp>\n\n# Mortal\n[![GitHub 工作流状态](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002FEquim-chan\u002FMortal\u002Flibriichi.yml?branch=main)](https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Factions\u002Fworkflows\u002Flibriichi.yml)\n[![GitHub 工作流状态](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002FEquim-chan\u002FMortal\u002Fdocs.yml?branch=main&label=docs)](https:\u002F\u002Fmortal.ekyu.moe)\n[![依赖状态](https:\u002F\u002Fdeps.rs\u002Frepo\u002Fgithub\u002FEquim-chan\u002FMortal\u002Fstatus.svg)](https:\u002F\u002Fdeps.rs\u002Frepo\u002Fgithub\u002FEquim-chan\u002FMortal)\n![GitHub 主要语言](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Ftop\u002FEquim-chan\u002FMortal)\n![代码行数](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_readme_6698c28db089.png)\n![GitHub 代码大小（字节）](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Fcode-size\u002FEquim-chan\u002FMortal)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FEquim-chan\u002FMortal)](https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fblob\u002Fmain\u002FLICENSE)\n\n[![捐赠](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDonate-%E2%9D%A4%EF%B8%8F-blue?style=social)](https:\u002F\u002Fmortal.ekyu.moe\u002Fdonate.html)\n\nMortal（[凡夫](https:\u002F\u002Fwww.mdbg.net\u002Fchinese\u002Fdictionary?wdqb=%E5%87%A1%E5%A4%AB)）是一款基于深度强化学习的免费开源日本麻将人工智能系统。\n\n有关该项目的所有信息，请阅读[**文档**](https:\u002F\u002Fmortal.ekyu.moe)。\n\n## 好吧，现在把权重给我！\n有关此主题的详细信息，请参阅[这篇帖子](https:\u002F\u002Fgist.github.com\u002FEquim-chan\u002Fcf3f01735d5d98f1e7be02e94b288c56)。\n\n## 许可证\n### 代码\n[![AGPL-3.0-or-later](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_readme_97da3e0a675d.png)](https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fblob\u002Fmain\u002FLICENSE)\n\n版权所有 © 2021–2022 Equim\n\n本程序为自由软件：您可以按照自由软件基金会发布的 GNU Affero 通用公共许可证的条款重新分发和修改它，无论是该许可证的第 3 版，还是（由您选择）任何后续版本。\n\n本程序以“希望它有用”的态度发布，但不提供任何担保；甚至不包括对适销性或特定用途适用性的默示担保。有关更多详情，请参阅 GNU Affero 通用公共许可证。\n\n您应随本程序收到一份 GNU Affero 通用公共许可证的副本。如果没有，请访问 \u003Chttps:\u002F\u002Fwww.gnu.org\u002Flicenses\u002F> 查看。\n\n### 标志及其他资源\n[![CC BY-SA 4.0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_readme_3493000973a3.png)](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-sa\u002F4.0\u002F)","# Mortal 快速上手指南\n\nMortal 是一个基于深度强化学习的开源日本麻将（日麻）AI 引擎。本指南将帮助你快速在本地环境中部署并运行该工具。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux (推荐), macOS, 或 Windows (需配置 WSL2 以获得最佳兼容性)。\n*   **编程语言**：Rust (最新稳定版)。\n    *   安装命令：`curl --proto '=https' --tlsv1.2 -sSf https:\u002F\u002Fsh.rustup.rs | sh`\n*   **构建工具**：`cargo` (随 Rust 一起安装)。\n*   **依赖项**：\n    *   `git`：用于克隆代码库。\n    *   `cmake` 和 `build-essential` (Linux) 或 Xcode Command Line Tools (macOS)：用于编译底层依赖。\n    *   Python 3.x (可选，仅当你需要运行训练脚本或使用特定辅助工具时)。\n\n> **提示**：国内用户若遇到 Rust 安装包下载缓慢，可使用国内镜像源：\n> `export RUSTUP_DIST_SERVER=https:\u002F\u002Fmirrors.ustc.edu.cn\u002Frust-static`\n> `export RUSTUP_UPDATE_ROOT=https:\u002F\u002Fmirrors.ustc.edu.cn\u002Frust-static\u002Frustup`\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n使用 git 将 Mortal 源代码拉取到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal.git\ncd Mortal\n```\n\n### 2. 编译项目\nMortal 主要使用 Rust 编写，使用 cargo 进行发布模式编译以获得最佳性能：\n\n```bash\ncargo build --release\n```\n\n*注：首次编译可能需要较长时间，请耐心等待。*\n\n### 3. 获取模型权重\nMortal 的核心能力依赖于预训练的深度学习模型权重文件。由于版权和分发策略，权重文件不包含在代码库中。\n\n请访问作者发布的专门说明文档获取权重文件及放置路径：\n👉 [获取权重文件指南 (GitHub Gist)](https:\u002F\u002Fgist.github.com\u002FEquim-chan\u002Fcf3f01735d5d98f1e7be02e94b288c56)\n\n通常需要将下载的权重文件（如 `.bin` 或 `.onnx` 格式）放置在项目指定的目录中（例如 `weights\u002F` 或运行时参数指定的路径）。\n\n## 基本使用\n\n编译完成并准备好权重文件后，你可以通过命令行调用 Mortal。以下是典型的运行方式（具体参数取决于你使用的子命令，如对战、分析或自我对弈）：\n\n### 运行示例\n假设你已经将权重文件配置妥当，运行一个简单的自我对弈或测试命令（具体命令参数请参考官方文档或 `--help`）：\n\n```bash\n# 查看可用命令和参数帮助\n.\u002Ftarget\u002Frelease\u002Fmortal --help\n\n# 示例：运行一个基于当前权重的评估或对战进程\n# 注意：具体的子命令（如 play, eval, train）需根据实际二进制文件暴露的接口调整\n.\u002Ftarget\u002Frelease\u002Fmortal play --config config.toml\n```\n\n> **重要提示**：Mortal 的功能高度依赖于配置文件和权重文件的正确路径。请务必阅读 [官方文档](https:\u002F\u002Fmortal.ekyu.moe) 以了解详细的配置项（如 `config.toml` 的编写）以及不同模式下的具体命令行参数。\n\n### 下一步\n*   查阅 [Documentation](https:\u002F\u002Fmortal.ekyu.moe) 了解高级功能、训练流程和 API 细节。\n*   遵循 [AGPL-3.0](https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fblob\u002Fmain\u002FLICENSE) 协议使用代码。","一位日麻爱好者兼开发者希望搭建一个本地化的单人训练环境，通过高强度的自我对弈来深入理解牌理并验证策略。\n\n### 没有 Mortal 时\n- 只能依赖规则简单的传统脚本或水平有限的人类对手，难以模拟高端局中复杂的防守读牌与弃和逻辑。\n- 缺乏高效的批量对弈能力，手动记录和分析数千局牌谱耗时耗力，数据积累效率极低。\n- 遇到争议牌型时，无法获得基于深度强化学习的客观最优解参考，容易陷入主观经验主义的误区。\n- 想要复现顶级 AI 的决策思路，必须付费订阅在线平台或等待漫长的云端排队，无法在本地离线运行。\n\n### 使用 Mortal 后\n- 利用基于深度强化学习的模型，Mortal 能提供接近人类顶尖选手的攻防判断，精准模拟高压下的弃和与追立决策。\n- 凭借 Rust 编写的高性能后端，Mortal 可在本地瞬间完成成千上万局的自我对弈，快速生成高质量训练数据集。\n- 面对复杂局面，Mortal 能实时输出各动作的胜率评估与期望得分，为复盘分析提供确凿的量化依据。\n- 开发者可直接在本地部署 Mortal 权重文件，随时随地进行零延迟的离线训练与策略测试，完全摆脱网络限制。\n\nMortal 将日麻训练从“凭感觉摸索”升级为“数据驱动的科学复盘”，是个人提升牌技与研发辅助系统的强大引擎。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEquim-chan_Mortal_008a529b.png","Equim-chan","Equim","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FEquim-chan_b692580d.png","If you are designing a system whose functions include providing evidence, it had better be able to withstand hostile review. - Ross J. Anderson",null,"GF(2)","sayaka@ekyu.moe","equim_chan","https:\u002F\u002Fgithub.com\u002FEquim-chan",[85,89,93,97,101],{"name":86,"color":87,"percentage":88},"Rust","#dea584",85.8,{"name":90,"color":91,"percentage":92},"Python","#3572A5",13.4,{"name":94,"color":95,"percentage":96},"JavaScript","#f1e05a",0.7,{"name":98,"color":99,"percentage":100},"Dockerfile","#384d54",0.1,{"name":102,"color":103,"percentage":104},"Shell","#89e051",0,1402,185,"2026-04-04T09:22:16","AGPL-3.0",4,"","未说明",{"notes":113,"python":111,"dependencies":114},"README 中未包含具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）。该项目是一个基于深度强化学习的日本麻将 AI，主要代码语言为 Rust（根据徽章显示），具体安装和运行指南需查阅其官方文档 (https:\u002F\u002Fmortal.ekyu.moe)。模型权重文件需单独获取。",[],[15,13,14],[117,118,119,120,121,122,123,124],"ai","deep-learning","game-ai","mahjong","reinforcement-learning","riichi","mjai","mahjong-ai","2026-03-27T02:49:30.150509","2026-04-06T05:32:17.641752",[128,133,138,143,148,152,157,162],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},18157,"从 Offline 训练切换到 Online 训练的正确流程和关键配置是什么？","Offline 转 Online 的切换较为繁杂，最关键的配置是学习率（lr）。Online 训练需要非常低的学习率，建议不超过 1e-5。此外，可能需要通过累积梯度（accumulate gradient）来增加 batch size（即增大 opt_step_every），从而在另一个维度上进一步减小有效学习率。注意：在此类任务中 loss 数值没有参考价值，应以实战测试（test play）的统计数据为准。","https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fissues\u002F33",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},18158,"与 Akochan 进行对战测试时遇到 CPU 占用过高、内存泄漏或程序崩溃怎么办？","Akochan 非常消耗 CPU 和内存资源。建议在配置中将 `games_per_iter` 设置为较小的值（例如从 1 开始）以降低负载。如果发生崩溃或内存不足（OOM），请检查系统内存是否充足，或尝试增加虚拟内存。由于资源消耗巨大且耗时，通常不建议进行高并发的 Akochan 对战测试。","https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fissues\u002F50",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},18159,"如何在 Windows 上解决运行 one_vs_three.py 时出现的 \"Access is denied\" 或 \"pipe is being closed\" 错误？","该错误通常与操作系统设置或杀毒软件干扰有关，导致无法正确启动或关闭 Akochan 进程。虽然以管理员权限运行可能无效，但可以尝试检查杀毒软件设置或将相关目录加入白名单。如果问题自行消失，可能是临时的系统状态问题。若调试发现管道未打开，需排查特定的 OS 设置。","https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fissues\u002F5",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},18160,"Online 训练时 server.py 报错 \"AssertionError: raw_count == S.buffer_size\" 如何解决？","此错误通常发生在 `capacity` 大于 `train_play.games` 时，导致服务器尝试覆写缓冲区文件而引发计数不匹配。解决方法是将两者的值设置为相等。或者，可以通过微调生成的文件名（例如加入时间戳 timestamp）来避免文件被意外覆写。","https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fissues\u002F41",{"id":149,"question_zh":150,"answer_zh":151,"source_url":137},18161,"如何训练仅包含东场（East round）的模型？","训练仅针对东场的模型需要以下步骤：1. 过滤离线游戏记录，只保留东场数据；2. 重新训练 GRP 模型；3. 对在线训练的游戏环境（gamecore）进行相应修改以适配东场规则。目前不支持直接通过自战生成纯东场数据而不经过上述预处理。",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},18162,"为什么代码中将“门前清自摸和”归类为 additional_hans 而不是在 AgariCalculator 中计算？","这是基于架构设计中“关注点分离”的考虑。`AgariCalculator` 专门用于分析与手牌牌形本身相关的役（如三暗刻需数暗刻数量）。而“门前清自摸和”以及立直、枪杠、岭上、海底、河底等役，与手牌具体牌形无关，仅由牌形以外的条件决定（只要手牌能和了即可）。为了保持逻辑一致性（consistency），这些役被统一归类到 `additional_hans` 中处理。","https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fissues\u002F101",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},18163,"Mortal 模型的离线训练数据来源于哪里？","早期版本（如 v1）曾使用过约 1000 万到 2000 万个半庄的数据。由于天凤已禁止 Mortal 使用其牌谱进行训练，后续版本的离线训练数据主要来源于雀魂（Mahjong Soul）的牌谱记录。","https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fissues\u002F85",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},18164,"是否可以导出简化版的对战记录以减少文件大小？","目前项目不会专门增加导出简化版记录的选项，因为设计假设存储资源是充足的。现有的导出包含所有 q_value 等模型信息以供研究。如果有特殊需求，用户可以自行修改 `one_vs_three.py` 相关代码来实现自定义的导出格式。","https:\u002F\u002Fgithub.com\u002FEquim-chan\u002FMortal\u002Fissues\u002F86",[]]