체스GPT: 정책 학습과 언어 모델링의 융합

초록

의사결정 과제를 해결할 때, 인간은 일반적으로 두 가지 주요 정보원에 의존합니다: (1) 환경으로부터의 상호작용 재현을 제공하는 역사적 정책 데이터, 그리고 (2) 귀중한 사고 과정이나 전략적 고려사항을 드러내는 자연어 형태의 분석적 통찰입니다. 그럼에도 불구하고, 대부분의 선행 연구는 단일 정보원에만 초점을 맞추고 있습니다: 역사적 재현을 독점적으로 사용하여 정책이나 가치 함수를 직접 학습하거나, 단순히 언어 코퍼스를 활용하여 언어 모델 훈련에만 집중합니다. 본 논문에서는 강력한 자율 에이전트가 이 두 정보원을 모두 포괄해야 한다고 주장합니다. 따라서 우리는 체스 게임에서 이 두 정보원의 데이터를 통합함으로써 정책 학습과 언어 모델링을 연결하는 GPT 모델인 ChessGPT를 제안합니다. 구체적으로, 우리는 체스와 관련된 대규모 게임 및 언어 데이터셋을 구축했습니다. 이 데이터셋을 활용하여 정책 학습과 언어 모델링을 통합한 두 가지 모델 예시인 ChessCLIP과 ChessGPT를 선보입니다. 마지막으로, 언어 모델의 체스 능력을 평가하기 위한 포괄적인 평가 프레임워크를 제안합니다. 실험 결과는 우리의 모델과 데이터셋의 효과성을 입증합니다. 우리는 코드, 모델, 그리고 데이터셋을 https://github.com/waterhorse1/ChessGPT에서 오픈소스로 공개합니다.

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.

체스GPT: 정책 학습과 언어 모델링의 융합

ChessGPT: Bridging Policy Learning and Language Modeling

초록

Support