Bir Yapay Zekâ osu! mania Mapper’ının Arkasındaki Veri Kümesi

Bir yapay zekâ beatmap oluşturucusundaki işin çoğu model değildir. Asıl iş veridir: hangi chart’lardan öğrenmeye değer olduğuna karar vermek, her eğitim örneğinin doğru zamanlandığından emin olmak ve bir chart’ı onu oynanabilir kılan şeyi yakalayan bir biçimde temsil etmek. Bu yazı, ManiaGAI v2’nin modellerinin öğrendiği veri kümesinin içine bakıyor — içinde ne olduğuna ve neden böyle göründüğüne.

Bir bakışta veri kümesi

Chart’lar

150.622

Şarkılar

86.255

Mapper’lar

~14.500

Benzersiz ses

4.227 sa

Bu; 86.255 şarkıya yayılan, yaklaşık 14.500 farklı mapper’ın yazdığı 150.622 insan yapımı osu! mania chart’ı demek — 4.227 saatlik benzersiz ses. Başta bu kadar büyük değildi: eğitim seti, 2. sürüme dönüşen çalışma sırasında yaklaşık 83.000 chart’tan bugünkü boyutuna ulaştı.

Yalnızca ranked map’ler değil

Bariz seçim yalnızca ranked map’lerle eğitmek olurdu — incelenmişlerdir, timing’leri kontrol edilmiştir ve topluluğun kalite çıtasını temsil ederler. Bilerek bunu yapmadık. Ranked map’ler, insanların gerçekte mapleyip oynadıklarının küçük ve stil açısından dar bir dilimi: bu veri kümesinde altı chart’tan yalnızca biri.

Durumlar, Ekim 2026 itibarıyla osu!’dan alınmıştır.

Chart’ların dörtte üçü pending, work-in-progress ya da graveyard durumunda — ranking sürecinden hiç geçmemiş map’ler; bu, kötü map’ler demek değil: kimsenin onları incelemediği anlamına gelir, incelemeden geçemedikleri anlamına değil. Yalnızca ranked map’lerden öğrenen bir model ranked bölümünün alışkanlıklarını öğrenir; tüm topluluktan öğrenen bir model ise insanların nasıl mapledikleriyle ilgili tüm yelpazeyi görür.

osu!’nun ötesi: BMS ve O2Jam

Veri kümesi şimdiden birden fazla dikey kaydırmalı ritim oyunu ekosistemini kapsıyor. 21.379 chart — setin %14’ü, tüm durumlarda — BMS ya da O2Jam kaynaklı olarak etiketli: 16.188 tanesi BMS’ten, 5.491 tanesi O2Jam’den; 300 tanesi ikisi olarak da etiketli. Bu oyunların kendi chart gelenekleri var ve modellerin gördüklerini genişletiyorlar.

Tuş sayısına göre

4K ve 7K baskın — birlikte veri kümesinin yaklaşık %80’i. 8K ve 9K nadir: her biri birkaç bin chart. Bu dengesizlik eğitim için önemli; bu yüzden eğitim sırasında örnekler tuş sayıları (ve zorluk seviyeleri) arasında dengelenir, böylece 8K ve ★10 chart’ları 4K ve ★4’ün altında kaybolmaz.

Zorluğa göre

Star rating osu!’nun kendi algoritmasıyla ölçülmüştür; medyan ★4,2, aralık ★0,5–13.

Veri kümesinin büyük kısmı ★1 ile ★7 arasında; ★9’un üzerinde ise zor chart’lardan oluşan uzun bir kuyruk var. ManiaGAI’ın ★1’den ★10’a zorluk aralığı, örneklerin bulunduğu yere oturuyor: ★10’un altındaki her yıldızda binden fazla chart var; üstünde ise hızla seyreliyorlar. Ayrıca chart’ların %15,8’inde tempo şarkının ortasında değişiyor; yani değişken tempo, modellerin öğrendiği şeyin bir parçası, uç bir durum değil.

Neleri dışarıda bırakıyoruz

Genişlik, her şeyi almak demek değil. Bazı chart’lar yanlış bir şey öğretecekleri için hariç tutuluyor:

• Bitmemiş chart’lar — yarısı maplenmiş bir şarkı, modele maplemeyi yarıda bırakmayı öğretir.
• Rate-edit kopyaları — hızlandırılmış ya da yavaşlatılmış aynı chart, tek bir mapper’ın pattern’lerini defalarca saymak olurdu.
• Yapay zekâyla üretilmiş chart’lar, bizimkiler dahil — üretilmiş map’lerle eğitilen bir model mapper’ları değil, oluşturucuları taklit etmeyi öğrenir.

Her şey için tek bir timing ızgarası

Veri kümesindeki her chart, oluşturucunun sesten ürettiği türden aynı timing ızgarasına yeniden zamanlanır. Bu bir ayrıntı gibi görünebilir; ama veri kümesindeki en önemli kararlardan biri. Üretim sırasında modeller notaları bir insanın timing’ine göre değil, ManiaGAI’ın algıladığı timing’e göre yerleştirir — dolayısıyla nota yerleştirmeyi de aynı türden bir ızgaraya göre öğrenmeleri gerekir. Mapper’ların kendi timing’iyle eğitip algılanan timing’le üretmek, modellere bir ızgara öğretip ellerine başka bir ızgara vermek olurdu. (Algılanan timing’in ne kadar doğru olduğu ayrı bir yazının konusu: timing benchmark’ı.)

Ondan öğrenmek için ne gerekiyor

Ses bir kez, ızgaraya hizalanmış müzikal özelliklere kodlanır — diskte bunların yaklaşık 0,7 TB’ı var. Tüm eğitim, 16 GB belleğe sahip tek bir NVIDIA RTX 4070 Ti SUPER üzerinde çalışıyor. Nota modeli her değişiklikte sıfırdan yeniden eğitilmek yerine, veri ve timing ızgarası geliştikçe sürekli fine-tune ediliyor; ızgaranın nasıl başladığını değiştirdiğimizde ise iki model de onun üzerinde yeniden eğitildi. v2 nota modelinin tüm soy ağacı yaklaşık 540 kayıtlı GPU saatine karşılık geliyor — yalnızca son eğitimi yaklaşık dört gün ve 16,9 milyon eğitim penceresi üzerinden yaklaşık beş geçiş sürdü — planner’ınki de buna yaklaşık 40 saat daha ekliyor.

Bunların hiçbiri yalnızca eğitim kaybına (training loss) bakılarak değerlendirilmiyor. Her değişiklik üretilen chart’ların kendisinde kontrol ediliyor: timing doğruluğu, hedefe göre ölçülen zorluk, oynanabilirlik.

Geniş verinin kazandırdıkları — ve kazandırmadıkları

Tek bir modelin 4K ve 9K, ★1 ve ★10, long note ağırlıklı ve jack ağırlıklı chart’lar yazabilmesini ve istediğin bir stili takip edebilmesini sağlayan şey genişliktir: pattern’ler veri kümesinde bir yerlerde mevcut. Genişliğin sana vermediği şey ise tek tip bir kalite çıtası — bir topluluk veri kümesindeki bazı chart’lar diğerlerinden daha iyidir ve bir model hepsinden öğrenir.

Verinin içinde ne olduğunu ve nedenini yayımlıyoruz; verinin nasıl toplandığını, filtrelendiğini ve oluşturulduğunu ayrıntılı olarak yayımlamıyoruz. Teknoloji sayfası verinin tüm sistemde nereye oturduğunu açıklıyor; Planner + Noter yazısı da ondan öğrenen iki modeli anlatıyor.