01 · 规则
完整 HUNL 状态模型
52 张牌、四个下注轮次、盲注、终局收益、牌型评估，以及弃牌到全押的动作抽象。
德州扑克 AI · 不完全信息博弈研究
从 HUNL 规则到 CFR 自博弈训练。
一套由公开源码验证的研究框架：CFR 子博弈求解、ReBeL 风格递归求解、反事实价值学习、自博弈与 C++ 蒙特卡洛组件。
HUNL单挑无限注游戏引擎
CFR遗憾与平均策略更新
自博弈多进程数据生成
Python + C++训练与模拟组件
公开源码中真正实现了什么
所有功能都能映射到仓库模块；页面不再使用无法证明的识别率、响应速度、盈利提升、平台适配或一键安装宣传。
02 · 求解
CFR 子博弈求解
遗憾更新、平均策略、到达概率、最佳响应、期望收益与可利用度相关工具。
03 · 递归
手牌信念传播
从公共状态展开子博弈，按行动更新双方私牌信念，并在后续状态继续求解。
04 · 学习
反事实价值网络
使用 PyTorch 对截断叶节点估值，支持价值与策略学习实验。
05 · 数据
自博弈与经验回放
多进程样本生成、模型同步、回放缓冲、训练批次和验证流程。
06 · 原生计算
C++ 蒙特卡洛组件
原生模拟器、Python 牌型工具与绑定基础设施，补充 Python 算法层。
玩法模型与算法流程
引擎覆盖翻牌前、翻牌、转牌和河牌。公共状态记录公共牌、累计下注、当前行动者、可行行动与加注次数。
游戏引擎生成合法行动、后继状态、终局与手牌收益。
迭代更新即时遗憾和平均策略，配置后可用价值网络估计叶节点。
反事实价值与策略样本经回放系统进入 PyTorch 模型。
训练配置实景
参数、路径与运行信息都来自原始素材
这张图展示训练迭代、遗憾设置、剪枝、模型路径和 Redis 连接。它是训练配置/终端画面，不是线上牌桌识别界面。
训练迭代遗憾设置模型路径Redis
仓库原有素材：训练配置与终端信息。
仓库原有历史演示素材。
牌桌呈现
把演示素材和已验证能力明确分开
图片展示机器人席位与牌桌呈现，但不能证明 OCR、自动操作或第三方平台集成，因此页面不会作出这些声明。
仅限负责任的研究用途
用于合法研究、教育、离线训练与基准测试。请勿用于未经允许的线上实时决策、自动操作、规避平台规则或破坏公平性的行为。