3. Evaluar el all-in, no limitarse a bloquearlo

El siguiente paso no es eliminar el botón all-in, sino enseñar y evaluar la diferencia entre empujes justificados e injustificados. Se empieza con un rival heurístico fijo tight/exploitative: foldea manos débiles ante empujes tempranos, paga según fuerza y pot odds, apuesta pequeño al principio y conserva all-ins legítimos en calles tardías cuando la mano y el SPR lo justifican.

El código existente contiene una protección:

const bool earlyShove = learned == ActType::AllIn &&
    (observation.street < 4 || strength < prior_.allInAbove);

Detecta riesgo y puede redirigir la acción. Es containment útil para reducir fallos visibles, pero no repara la estimación de valor ni el crédito. Los resultados solo con la protección activa no demuestran mejora de la política aprendida.

El entrenamiento no debe usar únicamente ese rival. Se construye una población de heurísticas tight, balanced y loose, además de snapshots históricos, aleatorizando asientos y cruces. El rival explotador queda como prueba de regresión. Así se separa memorizar a un oponente de resistir estilos variados.

La recompensa debe centrarse en crecimiento de pila o retorno logarítmico, no en un final recortado. Se añade penalización específica por ruina y otra gradual por arriesgar toda la pila temprano sin evidencia suficiente, sin castigar all-ins tardíos legítimos. Ventajas por acción o calle y valores intermedios asignan mejor el crédito.

Se evalúan al menos 1.000 manos con varias semillas. Se registran tasa de all-in por calle, fuerza media al empujar, tasas de eliminación y fold, y pila mediana durante 1.000 manos. La media puede ocultar ruinas raras; hacen falta distribuciones e intervalos de incertidumbre.

Éxito no significa cero all-ins. Deben caer los débiles y tempranos, permanecer los tardíos correctos y mejorar pila mediana y supervivencia ante mezclas distintas. Solo si mejora sin containment habrá mejorado la política, no solo su envoltura.