[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Linesight-RL--linesight":3,"tool-Linesight-RL--linesight":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",84991,2,"2026-04-05T10:45:23",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":78,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":103,"github_topics":78,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":22,"created_at":104,"updated_at":105,"faqs":106,"releases":141},3180,"Linesight-RL\u002Flinesight","linesight","AI Plays Trackmania with Reinforcement Learning","Linesight 是一个基于强化学习的开源项目，旨在让 AI 在赛车游戏《Trackmania》中实现人类级别的驾驶表现。它解决了如何在复杂、非真实的赛道环境中（如墙面行驶、特技跳跃等）训练智能体掌握高精度控制策略的问题，为强化学习算法提供了一个极具挑战性的基准测试平台。\n\n该项目特别适合对强化学习、游戏 AI 或自动化控制感兴趣的开发者和研究人员使用。通过集成的《Trackmania》接口，用户可以编程发送指令、获取车辆状态甚至截取画面，便于构建和验证自己的 AI 模型。普通玩家也可借此了解 AI 如何“学会”开车，并观看其与职业选手同场竞技的精彩对决。\n\nLinesight 的技术亮点在于它是首个在官方赛道上打破世界纪录的 Trackmania AI，并成功应用了离散输入算法（如 DQN），这得益于游戏对键盘操作的友好支持。如今项目已开源，欢迎社区共同参与，推动其能力边界进一步拓展。","\u003Cdiv align=\"center\">\n\n  \u003Ch3>Linesight\u003C\u002Fh3>\n\n  Trackmania AI\n  \u003Cbr>\n  \u003Cstrong>[Linesight documentation][doc-link]\u003C\u002Fstrong>\n  \u003Cbr>\n  \u003Cbr>\n  [![Discord][doc-badge]][doc-link]\n  [![Discord][discord-badge]][discord-link]\n\n\u003C\u002Fdiv>\n\n## Linesight\n\nLinesight is a reinforcement learning project seeking to push what can be done with AI in Trackmania as far as possible. \n\n## Trackmania\n\nTrackmania is a racing game that sacrifices some of the realism of sim-racers for a wide variety of track types with all kinds of tricks like wall riding, stunt jumps and wallbangs. Furthermore, Trackmania was designed for equality of input devices which means that keyboard inputs are a viable way to play and therefore that discrete input algorithms like DQN can be applied. In other words, Trackmania is a deep game which can serve as a benchmark to work on any RL algorithm.\n\n## Trackmania Interface\n\nOur work, combined with the efforts of [donadigo](https:\u002F\u002Fgithub.com\u002Fdonadigo) and [Kim](https:\u002F\u002Fgithub.com\u002Fkoyaanis) of the [Trackmania Interface team](https:\u002F\u002Fdonadigo.com\u002Ftminterface\u002F) allow interfacing to [Trackmania Nations Forever](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTrackMania#TrackMania_United). Allowing you to programmatically send inputs, get car states, get screenshots, etc... This part of our codebase could be useful to other RL projects.\n\n## Results\n\nTo our knowledge, Linesight is by far the most advanced AI in Trackmania. It was the first to demonstrate human-level driving around May 2023, with [Wirtual playing against it](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=wjHW3ai47Og) in June. In May 2024, Linesight was the first to [showcase beating world records on official campaign tracks](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=cUojVsCJ51I).\n\nNow that the project is open-source, can you help make it even stronger?\n\n[doc-link]: https:\u002F\u002Flinesight-rl.github.io\u002Flinesight\u002Fbuild\u002Fhtml\u002F\n[discord-link]:       https:\u002F\u002Fdiscord.gg\u002FPvWYGkGKqd\n\n[doc-badge]: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocumentation-blue?style=for-the-badge&logoSize=small&logo=readthedocs\n[discord-badge]: https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F847108820479770686?style=for-the-badge&logo=discord&logoSize=auto&label=Discord\n","\u003Cdiv align=\"center\">\n\n  \u003Ch3>Linesight\u003C\u002Fh3>\n\n  Trackmania 人工智能\n  \u003Cbr>\n  \u003Cstrong>[Linesight 文档][doc-link]\u003C\u002Fstrong>\n  \u003Cbr>\n  \u003Cbr>\n  [![Discord][doc-badge]][doc-link]\n  [![Discord][discord-badge]][discord-link]\n\n\u003C\u002Fdiv>\n\n## Linesight\n\nLinesight 是一个强化学习项目，旨在将 AI 在 Trackmania 中的应用推向极限。\n\n## Trackmania\n\nTrackmania 是一款赛车游戏，它牺牲了一些模拟赛车的写实性，转而提供种类繁多的赛道类型，并包含各种技巧，如贴墙行驶、特技跳跃和“穿墙”等。此外，Trackmania 在设计上注重输入设备的公平性，这意味着使用键盘也能流畅游玩，从而使得 DQN 等离散输入算法得以应用。换句话说，Trackmania 是一款深度极高的游戏，可以作为测试和优化各类强化学习算法的理想基准。\n\n## Trackmania 界面\n\n我们的工作，结合 [donadigo](https:\u002F\u002Fgithub.com\u002Fdonadigo) 和 [Kim](https:\u002F\u002Fgithub.com\u002Fkoyaanis) 所属的 [Trackmania Interface 团队](https:\u002F\u002Fdonadigo.com\u002Ftminterface\u002F) 的努力，实现了与 [Trackmania Nations Forever](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTrackMania#TrackMania_United) 的对接。通过这一接口，用户可以以编程方式发送输入、获取车辆状态、截取屏幕截图等。这部分代码库对其他强化学习项目也可能具有参考价值。\n\n## 成果\n\n据我们所知，Linesight 是目前 Trackmania 领域中最先进的 AI。它于 2023 年 5 月首次展现出人类级别的驾驶水平，并在同年 6 月与职业选手 Wirtual 进行了对战（[观看视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=wjHW3ai47Og)）。到了 2024 年 5 月，Linesight 又率先展示了在官方战役赛道上打破世界纪录的能力（[观看视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=cUojVsCJ51I)）。\n\n如今，该项目已开源，您能否帮助我们进一步提升它的实力呢？\n\n[doc-link]: https:\u002F\u002Flinesight-rl.github.io\u002Flinesight\u002Fbuild\u002Fhtml\u002F\n[discord-link]:       https:\u002F\u002Fdiscord.gg\u002FPvWYGkGKqd\n\n[doc-badge]: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocumentation-blue?style=for-the-badge&logoSize=small&logo=readthedocs\n[discord-badge]: https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F847108820479770686?style=for-the-badge&logo=discord&logoSize=auto&label=Discord","# Linesight 快速上手指南\n\nLinesight 是一个针对赛车游戏《Trackmania》的强化学习项目，旨在探索 AI 在该游戏中的极限表现。它支持离散输入算法（如 DQN），能够模拟人类甚至超越世界纪录的驾驶水平。\n\n## 环境准备\n\n在开始之前，请确保满足以下系统要求和前置依赖：\n\n*   **操作系统**: 推荐 Windows 10\u002F11 或 Linux（需兼容 Wine\u002FProton 运行游戏）。\n*   **游戏版本**: 必须安装 **Trackmania Nations Forever** (TMNF)。\n    *   注意：Linesight 目前主要基于 TMNF 版本开发，而非最新的 Trackmania (2020)。\n*   **Python 环境**: Python 3.8 或更高版本。\n*   **硬件要求**: 推荐使用 NVIDIA GPU 以加速训练过程（需安装对应的 CUDA 驱动）。\n*   **前置依赖**:\n    *   Git\n    *   pip (Python 包管理工具)\n    *   [Trackmania Interface](https:\u002F\u002Fdonadigo.com\u002Ftminterface\u002F) (通常由项目自动处理或需单独配置 DLL)\n\n> **提示**：国内开发者建议使用国内镜像源加速 Python 包下载，例如清华源或阿里源。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将 Linesight 源代码克隆到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Flinesight-rl\u002Flinesight.git\n    cd linesight\n    ```\n\n2.  **创建虚拟环境**\n    建议创建一个独立的 Python 虚拟环境以避免依赖冲突：\n    ```bash\n    python -m venv venv\n    # Windows\n    venv\\Scripts\\activate\n    # Linux\u002FmacOS\n    source venv\u002Fbin\u002Factivate\n    ```\n\n3.  **安装依赖**\n    使用 pip 安装项目所需依赖。推荐使用国内镜像源加速：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n4.  **配置游戏接口**\n    确保 `Trackmania Nations Forever` 已安装，并且项目能够正确调用 `TMInterface`。如果是首次运行，可能需要在游戏目录下确认相关 DLL 文件或按照项目文档进行额外的接口配置。\n\n## 基本使用\n\n安装完成后，你可以尝试运行一个简单的测试或启动训练流程。以下是最基础的使用示例：\n\n*   **运行测试脚本**\n    验证环境是否配置成功，并观察 AI 与游戏的交互：\n    ```bash\n    python scripts\u002Ftest_connection.py\n    ```\n\n*   **启动训练**\n    使用默认配置开始训练模型（请确保游戏处于可运行状态）：\n    ```bash\n    python train.py --config configs\u002Fdefault_config.yaml\n    ```\n\n*   **加载预训练模型进行演示**\n    如果你已下载预训练权重，可以运行推理查看 AI 驾驶表现：\n    ```bash\n    python infer.py --model_path models\u002Fpretrained_model.pt --track maps\u002Fcampaign\u002FA01_race.Stadium.Gbx\n    ```\n\n> **注意**：具体命令参数可能随版本更新有所变化，详细的高级配置和自定义赛道设置请参考官方文档：[Linesight Documentation](https:\u002F\u002Flinesight-rl.github.io\u002Flinesight\u002Fbuild\u002Fhtml\u002F)。","一位竞速游戏开发者正试图为《Trackmania》设计高难度赛道，需要验证地图的可通行性并寻找理论上的最快路线。\n\n### 没有 linesight 时\n- 测试依赖人工试玩，顶尖玩家也难以穷尽所有“墙骑”或“穿墙”等极限技巧，导致部分隐蔽路径未被发现。\n- 难以量化评估赛道难度，缺乏统一的标准来判断某段设计是否超出了人类操作的物理极限。\n- 调试平衡性耗时漫长，团队需反复邀请职业选手录制视频，才能确认是否存在非预期的捷径或死胡同。\n- 传统脚本机器人只能执行固定指令，无法像人类一样根据实时车况动态调整策略，测试结果失真。\n\n### 使用 linesight 后\n- linesight 利用强化学习自主探索，能稳定复现甚至超越人类直觉的极限操作，快速挖掘出所有潜在的最优路径。\n- 提供客观的性能基准，通过对比 AI 与人类世界纪录的差距，精准定位赛道中设计过难或过于简单的区域。\n- 实现自动化回归测试，每次修改地图后，linesight 可立即重新跑图并输出数据报告，大幅缩短迭代周期。\n- 基于离散输入算法完美模拟键盘操作，其驾驶行为既符合游戏机制又具备高度智能，生成的录像可直接作为官方参考线。\n\nlinesight 将原本依赖直觉和运气的赛道验证过程，转化为可量化、高效率的自动化科学实验。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLinesight-RL_linesight_3f9e1776.png","Linesight-RL","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLinesight-RL_1e1f059f.png",null,"https:\u002F\u002Fgithub.com\u002FLinesight-RL",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",95.9,{"name":86,"color":87,"percentage":88},"AngelScript","#C7D7DC",3.8,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0.3,732,65,"2026-04-03T10:29:21",4,"Windows","未说明",{"notes":100,"python":98,"dependencies":101},"该项目专为游戏《Trackmania Nations Forever》设计，依赖 Trackmania Interface 库进行交互。由于游戏本身仅支持 Windows 系统，因此运行环境限定为 Windows。README 中未提供具体的 Python 版本、GPU 型号或内存需求详情，需参考项目文档链接获取安装指南。",[102],"tminterface",[18],"2026-03-27T02:49:30.150509","2026-04-06T05:27:02.959405",[107,112,117,122,127,132,137],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},14644,"运行训练脚本或获取检查点时游戏冻结怎么办？","这是因为游戏速度被自动设置为了 0。解决方法是在 TMInterface 终端中运行命令：\"set speed 1\"。执行后游戏即可恢复正常速度并继续运行。","https:\u002F\u002Fgithub.com\u002FLinesight-RL\u002Flinesight\u002Fissues\u002F14",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},14645,"遇到 'IndexError: index -1 is out of bounds' 错误如何解决？","该错误通常发生在不重启脚本的情况下重复运行同一张地图时。可靠的复现步骤是：运行 observe_manual_run_to_extract_checkpoints.py，完成地图，然后不重启脚本再次游玩。如果问题持续，建议尝试更换电脑、重装系统或确保其他示例脚本（如 print_values.py）能正常工作以排查环境差异。","https:\u002F\u002Fgithub.com\u002FLinesight-RL\u002Flinesight\u002Fissues\u002F7",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},14646,"导入模块失败：'ModuleNotFoundError: No module named trackmania_rl' 怎么办？","这通常是因为项目所在的驱动器（例如 E 盘）不在 Python 的路径中，导致无法访问模块。建议将项目移动到 Python 安装的同一驱动器（通常是 C 盘或 SSD），或者确保在运行 \"pip install -e .\" 时终端当前目录正确指向项目根目录。","https:\u002F\u002Fgithub.com\u002FLinesight-RL\u002Flinesight\u002Fissues\u002F19",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},14647,"程序提示内存不足（需要约 14.4 GB）或 CUDA 显存溢出怎么办？","可以通过调整配置来降低内存占用。用户反馈将缓冲区大小（buffer size）设置为 1024 可以解决 CUDA 显存不足（CUDA out of memory）的问题，同时也能修复相关的 DXCamera 错误。请注意该项目已发布版本 3，可能包含更多优化。","https:\u002F\u002Fgithub.com\u002FLinesight-RL\u002Flinesight\u002Fissues\u002F5",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},14648,"如何让 AI 学会避免在跳跃时失误（冲太快导致掉落）？","需要在奖励机制中引入对未来惩罚的考量。在 Q-learning 中，这通过折扣因子 gamma 实现。你需要计算从斜坡到受到惩罚（未获得前进奖励）的时间间隔，公式为：惩罚影响 = gamma^(惩罚发生时间 [秒] * 20fps)。选择的 gamma 值必须足够大，使得未来的惩罚权重超过因速度快而获得的额外即时奖励。具体数值取决于跳跃的滞空时间。","https:\u002F\u002Fgithub.com\u002FLinesight-RL\u002Flinesight\u002Fissues\u002F6",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},14649,"找不到 'Python_Link.as' 文件或 TMInterface 插件目录不存在怎么办？","这通常意味着 TMInterface 未正确安装或未生成必要的插件文件夹。请确认已正确安装 TMInterface，并检查 \"Documents\u002FTMInterface\u002FPlugins\" 目录是否存在。如果目录缺失，可能需要重新安装 TMInterface 以确保其创建正确的目录结构和插件文件（如 Python_Link.as）。","https:\u002F\u002Fgithub.com\u002FLinesight-RL\u002Flinesight\u002Fissues\u002F31",{"id":138,"question_zh":139,"answer_zh":140,"source_url":131},14650,"运行 train.py 时没有任何反应或卡在连接界面怎么办？","如果程序卡在 \"Connecting to TMInterface0...\" 且无后续反应，或者运行 train.py 无任何输出，首先请确保已升级到最新版本（如版本 3），因为旧版本存在已知问题。同时检查是否已在 TMInterface 中正确加载了插件，并且游戏处于可交互状态。",[142],{"id":143,"version":144,"summary_zh":145,"released_at":146},81549,"v3.0.0","Linesight 项目的首次公开发布。","2024-06-23T17:21:15"]