2048 AI 搜索与策略实验工作台

实际浏览器运行界面与实验路径。棋盘截图来自站内演示，不是离线实验最高成绩截图。

从规则到搜索

先构建移动、合并与随机生成的状态转移，再用 Expectimax 展开决策与随机节点。蛇形排列、空格、单调性与平滑度构成评估项，搜索深度和节点预算决定计算成本。

定位问题，再比较参数

仓库保留差分检查、转置表冲突探针和不同引擎版本。对缓存键与局面标识进行核对，再以固定种子批量运行；参数变化与引擎版本分别记录，避免把随机波动误当成策略提升。

学习管线与能力边界

项目同时包含训练、评估和参数搜索脚本。网站展示的是代码、实验记录与可交互的策略观察入口；未在本次上站过程中重新运行全部训练，不把学习管线的存在等同于已经验证的性能提升。

从 evolve_wEmpty_80k.games.json 的 120 条逐局记录重新计算。达到阈值的样本数为累计口径，不是互斥分组。

复核范围

本次核对固定提交下的逐局结果与汇总文件：_engine7_prob.js，depth 6、limit 6、budget 200000，deepOnMaxExp 13、wEmpty 80000。该组最高分为 245536；这里只描述这一组记录，不推断理论极限，也不引用口径无法对齐的达成率或提升比例。