5. O código-fonte completo e os modelos usados

Objetivo deste post

Este post publica o código-fonte usado nos experimentos de IA de gomoku. O código só é carregado quando você abre um arquivo.

Modelos usados

• VLM: 25.413 jogadas de partidas foram feitas com o Qwen3-VL-8B-Instruct, do Hugging Face. Hoje o servidor está rodando o padrão, Qwen3-VL-2B-Instruct. Ele recebe juntos uma imagem do tabuleiro e um tabuleiro em texto e devolve dois números, "row col".
• LoRA: peft, r=8, alpha=16. Treina só com as jogadas do lado vencedor. No MPS, rodou em fp16 e a loss virou NaN.
• IA local: o AiPlayer em C++ do app Qt e o ai.ts da web. Uma heurística que primeiro procura jogadas vencedoras e jogadas que precisam ser bloqueadas e, no resto dos casos, escolhe somando pontuações em quatro direções.
• Motor: as mesmas jogadas proibidas para pretas e brancas (duplo três e overline proibidos, duplo quatro permitido); só exatamente cinco vence.

Estrutura de pastas

• src: motor de gomoku em Qt6/C++, IA local, tela do tabuleiro, cliente TCP que se comunica com o servidor VLM
• Arquivos .py na raiz: servidor de inferência do VLM (vlm_pva_server.py), dataset_omook.py, que transforma logs em dados de treinamento, treinamento LoRA train_vlm.py, download de modelos
• scripts: verificação de coordenadas do VLM e cliente de tabuleiro em texto
• omook-web: tela de partida na web em Next.js, motor (board.ts), IA local (ai.ts), salvamento de registros de partidas (db.ts), conexão com o VLM

As configurações de implantação do servidor, os scripts de monitoramento e automação, os logs de partidas e o banco de dados de registros de partidas, e os pesos dos modelos ficaram de fora da publicação. O código de operação da web, como anúncios e a lista de outros jogos, e os arquivos de configuração também foram retirados, por isso alguns imports apontam para arquivos não publicados.

Código-fonte completo