ChessGPT: Overbrugging tussen beleidsleren en taalmodelering

ChessGPT: Bridging Policy Learning and Language Modeling

June 15, 2023

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

cs.AI

Samenvatting

Bij het oplossen van besluitvormingstaken vertrouwen mensen doorgaans op informatie uit twee belangrijke bronnen: (1) Historische beleidsdata, die interactieherhalingen uit de omgeving bieden, en (2) Analytische inzichten in natuurlijke taalvorm, die het waardevolle denkproces of strategische overwegingen blootleggen. Desondanks richt het merendeel van het voorafgaande onderzoek zich slechts op één bron: ze gebruiken uitsluitend historische herhalingen om direct beleid of waardefuncties te leren, of richten zich op taalmodeltraining met alleen een taalcorpus. In dit artikel beargumenteren we dat een krachtige autonome agent beide bronnen zou moeten omvatten. Daarom stellen we ChessGPT voor, een GPT-model dat beleidsleren en taalmodelleering verbindt door gegevens uit deze twee bronnen in schaakspellen te integreren. Specifiek bouwen we een grootschalige dataset met spellen en taal gerelateerd aan schaken. Gebruikmakend van deze dataset demonstreren we twee modelvoorbeelden, ChessCLIP en ChessGPT, die beleidsleren en taalmodelleering integreren. Tot slot stellen we een volledig evaluatiekader voor om het schaakvermogen van taalmodelen te beoordelen. Experimentele resultaten valideren de effectiviteit van ons model en de dataset. We maken onze code, het model en de dataset openbaar op 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.