AI osu! mania 매퍼를 만든 데이터셋 들여다보기

AI beatmap 생성기에서 대부분의 작업은 모델이 아닙니다. 데이터입니다. 어떤 채보가 배울 가치가 있는지 고르고, 모든 학습 예시의 타이밍이 정확한지 확인하고, 채보를 플레이 가능하게 만드는 요소를 담아낼 수 있는 형태로 표현하는 일이죠. 이 글에서는 ManiaGAI v2의 모델들이 학습한 코퍼스 안을 들여다봅니다. 무엇이 들어 있는지, 그리고 왜 이런 모습인지.

한눈에 보는 코퍼스

채보

150,622

곡

86,255

mapper

~14,500

고유 오디오

4,227 h

곡 86,255개에 걸친, 사람이 만든 osu! mania 채보 150,622개이며, 약 14,500명의 서로 다른 mapper가 만들었습니다. 고유 오디오로는 4,227시간입니다. 처음부터 이렇게 크지는 않았습니다. 버전 2가 된 작업을 하는 동안 학습 세트는 약 83,000개 채보에서 지금 규모로 커졌습니다.

Ranked 맵만이 아닙니다

가장 뻔한 선택은 Ranked 맵만으로 학습하는 것입니다. 검수를 거쳤고, 타이밍도 확인됐고, 커뮤니티의 품질 기준을 대표하니까요. 저희는 일부러 그렇게 하지 않았습니다. Ranked 맵은 사람들이 실제로 만들고 플레이하는 것 중 작고 스타일 면에서 좁은 일부에 불과합니다. 이 코퍼스에서는 여섯 개 중 하나꼴입니다.

osu! 기준 상태, 2026년 10월 현재.

채보의 4분의 3은 Pending, WIP, Graveyard 상태입니다. 랭킹 과정을 거치지 않은 맵이지만, 그렇다고 나쁜 맵이라는 뜻은 아닙니다. 아무도 검수하지 않았다는 뜻이지, 검수에서 떨어졌다는 뜻이 아닙니다. Ranked 맵에서만 배운 모델은 Ranked 섹션의 습관을 배우고, 커뮤니티 전체에서 배운 모델은 사람들이 채보를 만드는 방식의 전체 폭을 봅니다.

osu! 너머로: BMS와 O2Jam

이 코퍼스는 이미 하나 이상의 세로 스크롤 리듬 게임 생태계에 걸쳐 있습니다. 모든 상태를 통틀어 세트의 14%인 21,379개 채보가 BMS 또는 O2Jam 출신으로 태그되어 있습니다. BMS가 16,188개, O2Jam이 5,491개이며, 300개는 둘 다로 태그되어 있습니다. 이 게임들에는 고유한 채보 제작 전통이 있고, 모델이 보는 범위를 넓혀 줍니다.

키 수별

4K와 7K가 압도적이며, 둘을 합치면 코퍼스의 약 80%입니다. 8K와 9K는 드물어서 각각 수천 개 정도입니다. 이 불균형은 학습에 중요하기 때문에, 학습 중에는 키 수(와 난이도 단계)별로 샘플의 균형을 맞춰 8K와 ★10 채보가 4K와 ★4에 묻히지 않도록 합니다.

난이도별

★ 레이팅은 osu! 자체 알고리즘으로 측정. 중앙값 ★4.2, 범위 ★0.5–13.

코퍼스의 대부분은 ★1에서 ★7 사이에 있고, ★9 위로 어려운 채보의 긴 꼬리가 이어집니다. ManiaGAI의 난이도 범위인 ★1부터 ★10은 예시가 있는 곳에 맞춰져 있습니다. ★10 아래의 모든 별 구간에는 채보가 천 개 넘게 있고, 그 위로는 빠르게 줄어듭니다. 그리고 채보의 15.8%는 곡 중간에 템포가 바뀌므로, 가변 템포는 예외적인 경우가 아니라 모델이 배우는 내용의 일부입니다.

제외하는 것

폭넓다는 것이 전부 받아들인다는 뜻은 아닙니다. 잘못된 것을 가르칠 채보는 제외합니다.

• 미완성 채보 — 반만 만든 곡은 모델에게 중간에 채보를 멈추는 법을 가르칩니다.
• 배속 편집 중복 — 같은 채보를 빠르게 하거나 느리게 한 버전은 한 mapper의 패턴을 여러 번 세게 됩니다.
• 저희 것을 포함한 AI 생성 채보 — 생성된 맵으로 학습한 모델은 mapper가 아니라 생성기를 흉내 내는 법을 배웁니다.

모든 것에 하나의 타이밍 그리드

코퍼스의 모든 채보는 생성기가 오디오에서 만들어 내는 것과 같은 종류의 타이밍 그리드로 다시 타이밍됩니다. 사소해 보이지만 데이터셋에서 가장 중요한 결정 중 하나입니다. 생성할 때 모델은 사람의 타이밍이 아니라 ManiaGAI가 감지한 타이밍에 맞춰 노트를 놓습니다. 그러니 같은 종류의 그리드에 맞춰 노트 배치를 배워야 합니다. mapper의 타이밍으로 학습하고 감지된 타이밍으로 생성한다면, 모델에게 한 그리드를 가르쳐 놓고 다른 그리드를 건네는 셈입니다. (감지된 타이밍이 얼마나 정확한지는 별도의 글에서 다룹니다: 타이밍 벤치마크.)

학습에 필요한 것

오디오는 그리드에 정렬된 음악 특징으로 한 번만 인코딩되며, 디스크에서 약 0.7 TB를 차지합니다. 모든 학습은 16 GB 메모리의 NVIDIA RTX 4070 Ti SUPER 한 대에서 진행됩니다. 변경할 때마다 처음부터 다시 학습하는 대신, 데이터와 타이밍 그리드가 발전함에 따라 노트 모델을 계속 파인튜닝합니다. 그리드의 시작 방식을 바꿨을 때는 두 모델 모두 그 그리드로 다시 학습했습니다. v2 노트 모델의 전체 계보에는 기록된 GPU 시간이 약 540시간이며 — 마지막 학습만 약 나흘, 학습 윈도우 16.9M개를 약 다섯 번 훑는 데 걸렸습니다 — 플래너가 약 40시간을 더합니다.

학습 손실만으로 판단하는 것은 없습니다. 모든 변경은 생성된 채보 자체로 검증합니다. 타이밍 정확도, 목표 대비 측정된 난이도, 플레이 가능성입니다.

폭넓은 데이터가 주는 것 — 그리고 주지 않는 것

폭넓은 데이터 덕분에 모델 하나가 4K와 9K, ★1과 ★10, 롱노트 위주 채보와 jack 위주 채보를 모두 만들고, 요청한 스타일을 따를 수 있습니다. 그런 패턴이 코퍼스 어딘가에 존재하니까요. 폭넓은 데이터가 주지 않는 것은 균일한 품질 기준입니다. 커뮤니티 코퍼스 속 채보는 어떤 것은 다른 것보다 낫고, 모델은 그 모두에게서 배웁니다.

저희는 데이터에 무엇이 있는지, 왜 그런지는 공개하지만, 데이터를 어떻게 수집하고 필터링하고 구성하는지의 세부 사항은 공개하지 않습니다. 기술 페이지에서 데이터가 전체 시스템 안에서 어디에 들어가는지 설명하고, Planner + Noter 글에서 이 데이터로 학습하는 두 모델을 다룹니다.