Jak działa OsuGAI

Rozumienie muzyki

Beat This wykrywa uderzenia i początki taktów. Nasze dopasowanie siatki wyznacza BPM i przesunięcie, również przy zmianach tempa. MERT-v1-95M dostarcza cechy muzyczne wyrównane do uderzeń. Mapy treningowe używają tego samego rodzaju siatki. Ciche wstępy, zakończenia i wyciszenia są wykrywane, aby cisza pozostała pusta.

Beat This · MERT-v1-95M

Planowanie utworu

Planer dyfuzji Gaussa z około 5,9 mln parametrów opisuje cały utwór sekcjami przed rozmieszczeniem obiektów. Na podstawie muzyki i żądanych ustawień wspólnie planuje trudność, styl i przerwy. Refren może być gęstszy, a spokojny łącznik stać się odpoczynkiem.

Rytm i obiekty

Główny model zapisuje naciśnięcia i zwolnienia, typy obiektów, nawroty sliderów, nowe combo, przerwy i prędkość sliderów. To nieautoregresyjny Transformer typu MaskGIT, który poprawia całą mapę w kilku przebiegach. Najpierw generuje i oczyszcza rytm, potem dodaje szczegóły i prędkość.

Rozmieszczenie i geometria

Wspólna sieć z około 71 mln parametrów wykorzystuje tę samą reprezentację muzyki do rytmu i rozmieszczenia. Solver ograniczeń utrzymuje obiekty na polu gry, dopasowuje krzywe sliderów do długości i zapisuje zmiany prędkości. Trudność, której nie da się poprawnie zbudować, kończy się błędem zamiast uszkodzonego pliku. Żaden z 24 000 testów obciążeniowych nie wymagał tej ścieżki.

Co można kontrolować

Wybierasz cele ★1–★10 i osobne ustawienia każdej trudności. Dziewięć regulatorów stylu obejmuje m.in. slidery, kąty, odstępy, rytm, aim i speed. Ustawienia mapy to CS, AR, OD, HP i prędkość sliderów. Model odczytuje CS, AR, OD i prędkość; HP jest zapisywane w pliku. Wybrane trudności powstają razem jako jeden mapset.

Wybrane gwiazdki są celem; gotowe mapy pokazują zmierzoną trudność.

Kontrola przed pobraniem

System poprawia zbyt bliskie naciśnięcia i zbyt krótkie przytrzymania, usuwa obiekty w ciszy i sprawdza geometrię. Algorytm osu! mierzy końcowe gwiazdki, a wynik służy jako nazwa trudności. Testy odczytują mapy także przez osu!lazer. Dziesięć powtórzeń z tym samym utworem, ustawieniami i ziarnem dało identyczne bajtowo pliki .osu.

Dane treningowe

Korpus liczy 157 209 map: 132 032 ranked, approved lub loved oraz 25 177 dodatkowych map o wysokich gwiazdkach spoza ranked. Podstawa zawiera około 56 mln obiektów. Dodatkowy wybór wyklucza mapy z gimmickami, mapy AI i utwory pokrywające się z walidacją lub testem. Wszystkie trudności i wersje audio utworu trafiają do tego samego podzbioru. 200 utworów z ranked z 2026 r. pozostaje poza treningiem jako ślepy test.

Trening

Planer i główną sieć wytrenowano od zera. Główna przeszła około 1,03 mln kroków: dane ranked, dodanie trudnych map, a na końcu próbkowanie zrównoważone według gwiazdek. Planer przeszedł 60 000 kroków. Jedna RTX 4070 Ti SUPER zapewniła około 68 GPU-godzin głównej sieci i 10 planerowi. Punkty kontrolne wybierano według wygenerowanych map, nie tylko błędu walidacji.

Co zmierzyliśmy

Poniższa kalibracja daje średni błąd bezwzględny 0,28 gwiazdki. To mała próbka, nie dowód działania na nieznanej muzyce; ★9–★10 nie testowano. Oddzielny test 3 utworów, 4 celów i 3 ziaren dał 36 poprawnych map na 36. W końcowej ocenie oczyszczanie usunęło 3,9 problemu rytmu na 1000 obiektów surowego modelu.

Na 24 mapach planowanie odzyskało 50% ludzkich przerw i pokryło 35% ich czasu. Około 60% wygenerowanych przerw pasowało do ludzkich. Przy właściwym planie sieć trafiła dokładną liczbę na 23 z 24 map. Pomiary używały opublikowanego planera i wcześniejszej sieci, nie całego wydanego systemu.

Od tworzenia do grywalnej mapy

Przeglądarka dekoduje i normalizuje audio przed wysłaniem. Usługa raz na utwór pobiera timing i cechy muzyczne, planuje trudności i generuje je wspólnie w partii na GPU. Oczyszczanie, pomiar gwiazdek i pakowanie dają .osz z utworem i tłem. Poniższe czasy Flower Dance zmierzono na produkcyjnej NVIDIA T4; nie gwarantują czasu oczekiwania.

Co zmienia v3.0

v2.0 miała osobne modele rytmu i rozmieszczenia. v3.0 współdzieli sieć, zwiększa dane z 10 428 do 157 209 map i dodaje planowanie przerw, zmienną prędkość sliderów oraz ustawienia każdej trudności. Flower Dance na T4 zajęło 72 sekundy dla 4 trudności w v2.0 i 79 sekund dla 6 w v3.0. Różne obciążenia nie wyznaczają mnożnika szybkości.

Znane ograniczenia

• W małej kalibracji ★4–★6 wypadały poniżej celu, a ★8 nieco powyżej. ★9–★10 nie oceniano.
• Nadal brakuje około połowy ludzkich przerw, a niektóre wygenerowane są źle umieszczone.
• Niektóre utwory mają za dużo spinnerów, zwłaszcza przy niskich gwiazdkach. Slidery są celowo proste.
• Małe błędy timingu mogą narastać w długich i szybkich utworach.
• Nowe combo podlegają stałej regule. Brak własnych hitsoundów, sekcji kiai i storyboardów.
• Poprawność struktury nie dowodzi grywalności ani dobrego projektu. Mapy służą grze i ćwiczeniom, nie sekcji ranked.

Nad czym pracujemy

Pracujemy nad przerwami, kalibracją całego zakresu, kształtami sliderów i szybkością. Wyniki ślepego testu oraz pomiary samoprzecięć sliderów v3.0 nie zostały jeszcze opublikowane. TaikoGAI i CatchGAI to przyszłe produkty.

Powiązane artykuły techniczne

• Budowa OsuGAI · raport v1
• Dlaczego DanceGAI używa Planner + Noter
• Test dokładności timingu map AI (beatmap)
• Jak przyspieszyliśmy generowanie