Por dentro del dataset de un mapper de osu! mania con IA

La mayor parte del trabajo de un generador de beatmaps con IA no es el modelo. Son los datos: decidir de qué mapas vale la pena aprender, asegurarse de que cada ejemplo de entrenamiento tenga el timing correcto y representar un mapa de forma que capture lo que lo hace jugable. Este artículo mira por dentro el corpus del que aprendieron los modelos de ManiaGAI v2: qué contiene y por qué es como es.

El corpus de un vistazo

Mapas

150.622

Canciones

86.255

Mappers

~14.500

Audio único

4227 h

Son 150.622 mapas de osu! mania hechos por personas, repartidos en 86.255 canciones y escritos por unos 14.500 mappers distintos: 4227 horas de audio único. No empezó siendo tan grande: el conjunto de entrenamiento creció de unos 83.000 mapas a su tamaño actual durante el trabajo que se convirtió en la versión 2.

No solo mapas ranked

Lo obvio sería entrenar solo con mapas ranked: están revisados, su timing está comprobado y representan el listón de calidad de la comunidad. Decidimos a propósito no hacerlo. Los mapas ranked son una porción pequeña y estilísticamente estrecha de lo que la gente realmente mapea y juega: en este corpus son uno de cada seis mapas.

Estado según osu! en octubre de 2026.

Tres cuartas partes de los mapas están en pending, en desarrollo (WIP) o en el graveyard: mapas que nunca pasaron por el proceso de ranking, lo que no es lo mismo que mapas malos; significa que nadie los revisó, no que suspendieran la revisión. Un modelo que aprende solo de mapas ranked aprende los hábitos de la sección ranked; un modelo que aprende de toda la comunidad ve toda la variedad de formas en que la gente mapea.

Más allá de osu!: BMS y O2Jam

El corpus ya abarca más de un ecosistema de juegos de ritmo de scroll vertical. 21.379 mapas (el 14 % del conjunto, en todos los estados) están etiquetados como procedentes de BMS u O2Jam: 16.188 de BMS y 5491 de O2Jam, con 300 etiquetados como ambos. Esos juegos tienen sus propias tradiciones de charting, y amplían lo que ven los modelos.

Por número de teclas

4K y 7K dominan: juntos suman cerca del 80 % del corpus. 8K y 9K son raros: unos pocos miles de mapas cada uno. Ese desequilibrio importa para el entrenamiento, así que las muestras se equilibran por número de teclas (y por nivel de dificultad) durante el entrenamiento, para que los mapas de 8K y ★10 no queden ahogados por los de 4K y ★4.

Por dificultad

Star rating medido con el propio algoritmo de osu!; mediana ★4,2, rango ★0,5–13.

El grueso del corpus está entre ★1 y ★7, con una larga cola de mapas difíciles por encima de ★9. El rango de dificultad de ManiaGAI, de ★1 a ★10, está donde están los ejemplos: cada estrella por debajo de ★10 tiene más de mil mapas; por encima, escasean rápidamente. Y el 15,8 % de los mapas cambia de tempo a mitad de la canción, así que el tempo variable es parte de lo que aprenden los modelos, no un caso extremo.

Lo que dejamos fuera

Amplitud no significa aceptarlo todo. Algunos mapas se excluyen porque enseñarían lo que no es:

• Mapas sin terminar: una canción mapeada a medias le enseña a un modelo a dejar de mapear a la mitad.
• Duplicados con rate edit: el mismo mapa acelerado o ralentizado contaría muchas veces los patrones de un solo mapper.
• Mapas generados con IA, incluidos los nuestros: un modelo entrenado con mapas generados aprende a imitar a los generadores, no a los mappers.

Una misma cuadrícula de timing para todo

Cada mapa del corpus se vuelve a cronometrar sobre el mismo tipo de cuadrícula de timing que el generador produce a partir del audio. Parece un detalle; es una de las decisiones más importantes del dataset. Al generar, los modelos colocan las notas sobre el timing que detectó ManiaGAI, no sobre el timing de una persona; así que deberían aprender a colocar notas sobre ese mismo tipo de cuadrícula. Entrenar con el timing de los propios mappers y generar con el timing detectado enseñaría a los modelos una cuadrícula y luego les daría otra. (Qué tan preciso es ese timing detectado tiene su propio artículo: el benchmark de timing.)

Lo que hace falta para aprender de él

El audio se codifica una sola vez en características musicales alineadas con la cuadrícula: unos 0,7 TB en disco. Todo el entrenamiento se ejecuta en una sola NVIDIA RTX 4070 Ti SUPER con 16 GB de memoria. En lugar de reentrenar desde cero con cada cambio, el modelo de notas se ajusta (fine-tuning) de forma continua a medida que evolucionan los datos y la cuadrícula de timing; cuando cambiamos cómo empieza la cuadrícula, ambos modelos se reentrenaron sobre ella. El linaje completo del modelo de notas de la v2 suma unas 540 horas de GPU registradas (solo su última ejecución llevó unos cuatro días y unas cinco pasadas sobre 16,9 millones de ventanas de entrenamiento), y el del planner añade unas 40 más.

Nada de esto se juzga solo por la pérdida de entrenamiento. Cada cambio se comprueba en los propios mapas generados: precisión del timing, dificultad medida frente al objetivo, jugabilidad.

Lo que aportan unos datos amplios, y lo que no

La amplitud es lo que permite que un solo modelo escriba 4K y 9K, ★1 y ★10, mapas cargados de long notes y otros cargados de jacks, y que siga el estilo que le pidas: los patrones existen en algún lugar del corpus. Lo que la amplitud no da es un listón de calidad uniforme: en un corpus de la comunidad, unos mapas son mejores que otros, y un modelo aprende de todos ellos.

Publicamos qué hay en los datos y por qué; no publicamos en detalle cómo se obtienen, filtran y construyen. La página de Tecnología explica dónde encajan los datos en el sistema completo, y el artículo sobre Planner + Noter trata de los dos modelos que aprenden de ellos.