ChessGPT: Colmare il Divario tra Apprendimento delle Politiche e Modellazione del Linguaggio

ChessGPT: Bridging Policy Learning and Language Modeling

June 15, 2023

Autori: Xidong Feng, Yicheng Luo, Ziyan Wang, Hongrui Tang, Mengyue Yang, Kun Shao, David Mguni, Yali Du, Jun Wang

cs.AI

Abstract

Quando si affrontano compiti decisionali, gli esseri umani si affidano tipicamente a informazioni provenienti da due fonti principali: (1) Dati storici sulle politiche, che forniscono una riproduzione delle interazioni con l'ambiente, e (2) Approfondimenti analitici in forma di linguaggio naturale, che rivelano il prezioso processo di pensiero o le considerazioni strategiche. Nonostante ciò, la maggior parte delle ricerche precedenti si concentra su una sola fonte: utilizzano esclusivamente la riproduzione storica per apprendere direttamente le politiche o le funzioni di valore, oppure si dedicano all'addestramento di modelli linguistici utilizzando semplici corpora di testo. In questo articolo, sosteniamo che un potente agente autonomo dovrebbe coprire entrambe le fonti. Pertanto, proponiamo ChessGPT, un modello GPT che collega l'apprendimento delle politiche e la modellazione del linguaggio integrando dati provenienti da queste due fonti nel contesto degli scacchi. Nello specifico, costruiamo un ampio dataset di partite e linguaggio relativo agli scacchi. Sfruttando questo dataset, presentiamo due esempi di modelli, ChessCLIP e ChessGPT, che integrano l'apprendimento delle politiche e la modellazione del linguaggio. Infine, proponiamo un framework di valutazione completo per valutare le capacità scacchistiche dei modelli linguistici. I risultati sperimentali convalidano l'efficacia del nostro modello e del dataset. Rendiamo disponibili il codice, il modello e il dataset all'indirizzo https://github.com/waterhorse1/ChessGPT.

English

When solving decision-making tasks, humans typically depend on information from two key sources: (1) Historical policy data, which provides interaction replay from the environment, and (2) Analytical insights in natural language form, exposing the invaluable thought process or strategic considerations. Despite this, the majority of preceding research focuses on only one source: they either use historical replay exclusively to directly learn policy or value functions, or engaged in language model training utilizing mere language corpus. In this paper, we argue that a powerful autonomous agent should cover both sources. Thus, we propose ChessGPT, a GPT model bridging policy learning and language modeling by integrating data from these two sources in Chess games. Specifically, we build a large-scale game and language dataset related to chess. Leveraging the dataset, we showcase two model examples ChessCLIP and ChessGPT, integrating policy learning and language modeling. Finally, we propose a full evaluation framework for evaluating language model's chess ability. Experimental results validate our model and dataset's effectiveness. We open source our code, model, and dataset at https://github.com/waterhorse1/ChessGPT.