5. El código fuente completo y los modelos utilizados

Objetivo de esta entrada

Publico el código fuente usado en los experimentos de la IA de gomoku. El código solo se carga cuando abres un archivo.

Modelos utilizados

• VLM: se jugaron 25.413 jugadas de partida con Qwen3-VL-8B-Instruct de Hugging Face. Ahora el servidor funciona con el valor por defecto, Qwen3-VL-2B-Instruct. Recibe a la vez una imagen del tablero y un tablero en texto, y devuelve dos números, "row col".
• LoRA: peft, r=8, alpha=16. Se entrena solo con las jugadas del lado ganador. En MPS se ejecutó en fp16 y la pérdida se volvió NaN.
• IA local: el AiPlayer en C++ de la app de Qt y ai.ts en la web. Es una heurística que primero mira las jugadas ganadoras y las que hay que bloquear, y en los demás casos elige sumando las puntuaciones de las cuatro direcciones.
• Motor: las mismas jugadas prohibidas para negras y blancas (doble tres y línea larga prohibidos, doble cuatro permitido); solo gana un cinco exacto.

Estructura de carpetas

• src: motor de gomoku en Qt6/C++, IA local, pantalla del tablero, cliente TCP que se comunica con el servidor VLM
• Archivos .py de la raíz: servidor de inferencia del VLM (vlm_pva_server.py), dataset_omook.py, que convierte los registros en datos de entrenamiento, entrenamiento de LoRA train_vlm.py, descarga de modelos
• scripts: comprobación de coordenadas del VLM y cliente de tablero en texto
• omook-web: pantalla de partida web en Next.js, motor (board.ts), IA local (ai.ts), guardado de partidas (db.ts), conexión con el VLM

La configuración de despliegue del servidor, los scripts de monitorización y automatización, los registros de partidas y la base de datos de partidas, y los pesos de los modelos quedan fuera de lo publicado. También se han omitido el código de operación web como los anuncios y la lista de otros juegos, y los archivos de configuración, por lo que algunos import apuntan a archivos no publicados.

Código fuente completo