Ajuda, não disputa

Diferente do go ou do gomoku, o sudoku não tem adversário. Se a IA resolver tudo sozinha, não sobra nada para a pessoa fazer. Por isso, no sudoku na web (stoku.mariago.kr), a própria pessoa resolve e só pede uma jogada à IA quando trava.

O fluxo em que a pessoa pergunta e a IA devolve uma casa certa
O fluxo em que a pessoa pergunta e a IA devolve uma casa certa

Como pedir uma jogada

  • Você pede pelo botão "Jogada da IA" na tela ou pelo chat, com frases como "faça uma jogada" ou "dica".
  • O servidor de chat usa o Qwen2.5-1.5B-Instruct e expressões regulares para decidir se é um pedido de jogada.
  • Se for um pedido de jogada, ele envia o tabuleiro atual ao servidor de sudoku, recebe uma casa e um número e os coloca no tabuleiro da pessoa.

Hoje o servidor web não carrega o VLM e escolhe as jogadas certas apenas com código. Primeiro ele procura um bloco, linha ou coluna com uma única casa vazia e, se não houver, procura uma casa que seja o único lugar possível para algum número. Na prática, o código faz todo o trabalho que no post 4 era dividido entre o VLM e o código. A lista de modelos na tela mostra lora_move, mas quem decide a jogada de verdade é essa estratégia. Ainda não é mostrado por que aquela casa foi escolhida.

Importar por foto

O app em Qt tem uma função para importar um sudoku de papel ou de uma tela a partir de uma foto. Ele recorta a grade, junta só as casas que têm números e as entrega para o LoRA 8B de leitura de tabuleiro do post 3 ler.

Importação por foto. Recorta a grade e lê só as casas com números
Importação por foto. Recorta a grade e lê só as casas com números

Registros de jogos resolvidos na web

Em pouco mais de três semanas, 40 jogos foram abertos na web. 26 foram resolvidos até o fim, levando cerca de 12 minutos em média. 9 foram abandonados e 5 continuam em andamento. Os jogos concluídos foram 20 no nível médio, 3 no difícil, 2 no infernal e 1 no extremo.

As ações registradas foram 1.430 números colocados, 135 anotações, 62 apagamentos e 23 desfazer.

Os 40 jogos resolvidos por pessoas na web e o registro de ações
Os 40 jogos resolvidos por pessoas na web e o registro de ações

O código real desta etapa

Esta é a ordem em que o servidor web escolhe uma jogada certa.

vlm_digit_strategy.pypython · 23 linhas
def pick_code_certain_move(
    board: list[list[int]],
) -> tuple[int, int, int, str] | None:
    """우선순위: last-empty → digit 유일 → human solver → 탐색 강제수."""
    lasts = last_empty_unit_moves(board)
    if lasts:
        return lasts[0]

    for digit in range(1, 10):
        illegal = set(illegal_cells_for_digit(board, digit))
        moves = absolute_placements(board, illegal, digit)
        if moves:
            r, c, v, reason = moves[0]
            return r, c, v, f"code_digit{digit}_{reason}"

    from sudoku_human_solver import find_human_move

    hm = find_human_move(board)
    if hm is not None:
        return hm.row, hm.col, hm.value, f"human_{hm.kind.value}"

    # 극한: 국소 후보는 여러 개인데, 하나만 해가 남는 칸 (예: 2행 끝 7)
    return pick_search_forced_move(board)

Esta é a parte em que o servidor de chat recebe uma mensagem e, se for um pedido de jogada, a repassa ao servidor de sudoku.

chat_bridge_server.pypython · 60 linhas
MOVE_RE = re.compile(
    r"(한\s*수|다음\s*수|힌트|추천|어디|둬|놓|채워|풀어|solve|hint|move|next)",
    re.I,
)

# ...

def handle_chat(body: dict[str, Any]) -> dict[str, Any]:
    message = str(body.get("message") or "").strip()
    if not message:
        return {"error": "empty message"}

    model_id = str(body.get("modelId") or "lora_move")
    meta = TRAINED_MODELS.get(model_id, TRAINED_MODELS["lora_move"])
    board = body.get("board")
    puzzle = body.get("puzzle")
    difficulty = body.get("difficulty") or "medium"

    if not isinstance(board, list) or len(board) != 9:
        return {"error": "board required"}

    blanks = _empty_count(board)
    intent = classify_intent(message)

    llm_text = chat_llm_reply(
        message,
        {
            "model_label": meta["label"],
            "blanks": blanks,
            "difficulty": difficulty,
        },
    )

    if llm_text:
        if "CMD:MOVE" in llm_text.upper() or intent == "move":
            intent = "move"
        reply_base = re.sub(r"CMD:\w+", "", llm_text, flags=re.I).strip()
    else:
        reply_base = ""

    if intent == "move" or (intent == "unknown" and MOVE_RE.search(message)):
        result = call_trained_vlm(board, puzzle if isinstance(puzzle, list) else None, model_id)
        if not result.get("ok"):
            return {
                "reply": (
                    f"{meta['label']} 호출 실패: {result.get('error')}\n"
                    f"(채팅 AI → 학습 모델 명령 전달)"
                ),
                "action": None,
                "vlm": result,
            }
        r, c, v = result["row"], result["col"], result["value"]
        spoken = reply_base or (
            f"{meta['label']}에 「한 수」 명령을 전달했습니다."
        )
        return {
            "reply": f"{spoken}\n→ ({r},{c}) = {v}",
            "action": {"type": "place", "row": r, "col": c, "value": v},
            "vlm": result,
        }

O próximo post é "6. O código-fonte completo e os modelos usados".