研究
深入 AI osu! mania mapper 背後的資料集
ManiaGAI v2 從約 14,500 位 mapper 製作的 150,622 張人工 osu! mania 譜面中學習，遠遠不只 ranked 區。依鍵數、難度與來源拆解語料庫內容，以及為什麼這樣建構。
一個 AI beatmap 生成器，大部分的工作其實不在模型，而在資料：決定哪些譜面值得學、確保每個訓練樣本的 timing 都正確，以及用一種能抓住「為什麼好玩」的形式來表示一張譜面。這篇文章帶你看看 ManiaGAI v2 的模型所學習的語料庫——裡面有什麼，以及它為什麼長成這個樣子。
語料庫概覽
- 譜面
- 150,622
- 歌曲
- 86,255
- Mapper
- ~14,500
- 不重複音訊
- 4,227 h
也就是 150,622 張人工製作的 osu! mania 譜面，涵蓋 86,255 首歌，出自大約 14,500 位不同的 mapper——4,227 小時不重複的音訊。它一開始沒有這麼大：在後來成為第 2 版的開發過程中，訓練集從大約 83,000 張譜面成長到現在的規模。
不只有 ranked 譜面
最直覺的做法是只用 ranked 譜面來訓練——它們經過審核、timing 經過檢查，也代表社群的品質標準。但我們刻意沒有這麼做。Ranked 譜面只是大家實際在作、在玩的譜面中很小、風格也很窄的一部分：在這個語料庫裡，每六張譜面只有一張是 ranked。
| osu! 上的狀態 | 譜面數 | 比例 |
|---|---|---|
| Ranked／Qualified | 24,896 | 16.5% |
| Loved | 2,530 | 1.7% |
| Pending、WIP 與 Graveyard | 114,212 | 75.8% |
| 從未上傳到 osu!（多為 BMS／O2Jam 轉譜） | 8,984 | 6.0% |
狀態取自 2026 年 10 月的 osu!。
四分之三的譜面是 pending、製作中（WIP）或 graveyard——也就是從來沒有走過 ranking 流程的譜面。這不代表它們很爛：意思是沒有人審核過它們，而不是審核沒通過。只從 ranked 譜面學習的模型，學到的是 ranked 區的習慣；從整個社群學習的模型，才能看到大家作譜的完整面貌。
osu! 之外：BMS 與 O2Jam
這個語料庫已經橫跨不只一個下落式節奏遊戲生態。21,379 張譜面——佔整體的 14%，遍及各種狀態——被標記為源自 BMS 或 O2Jam：其中 16,188 張來自 BMS、5,491 張來自 O2Jam，另有 300 張同時標記兩者。這些遊戲有各自的作譜傳統，也拓寬了模型能看到的範圍。
依鍵數
| 鍵數 | 譜面數 | 比例 |
|---|---|---|
| 4K | 72,362 | 48.0% |
| 5K | 8,442 | 5.6% |
| 6K | 13,235 | 8.8% |
| 7K | 49,129 | 32.6% |
| 8K | 5,090 | 3.4% |
| 9K | 2,364 | 1.6% |
4K 和 7K 佔了絕大多數——合計約佔語料庫的 80%。8K 和 9K 很少見：各只有幾千張。這種不平衡會影響訓練，所以訓練時會依鍵數（以及難度等級）平衡取樣，避免 8K 和 ★10 的譜面被 4K 和 ★4 淹沒。
依難度
星數以 osu! 官方演算法測量；中位數 ★4.2，範圍 ★0.5–13。
語料庫的主體落在 ★1 到 ★7 之間，★9 以上則有一條長長的高難度尾巴。ManiaGAI 的難度範圍 ★1 到 ★10，正好落在樣本所在的位置：★10 以下的每個星數都有超過一千張譜面；再往上就迅速變少。另外，有 15.8% 的譜面會在歌曲中途變速，所以變速是模型學習內容的一部分，而不是特例。
我們排除了什麼
廣泛不代表照單全收。有些譜面會被排除，因為它們會教錯東西：
- 未完成的譜面——只作了一半的歌，會教模型作到一半就停下來。
- 變速版（rate-edit）的重複譜面——同一張譜加速或減速，會讓同一位 mapper 的譜型被重複計算好幾次。
- AI 生成的譜面，包括我們自己的——用生成譜面訓練的模型，學會的是模仿生成器，而不是模仿 mapper。
所有譜面共用一種 timing 格線
語料庫裡的每張譜面，都會重新對齊到生成器從音訊產生的同一種 timing 格線上。這聽起來像是小細節，卻是整個資料集最重要的決定之一。生成時，模型是依照 ManiaGAI 偵測到的 timing 放音符，而不是依照人類的 timing——所以它們學習放音符時，也應該對著同一種格線。如果用 mapper 自己的 timing 訓練、卻用偵測到的 timing 生成，等於先教模型一種格線，再交給它另一種。（偵測到的 timing 有多準，另有專文介紹：timing 基準測試。）
從這些資料學習需要什麼
音訊只會編碼一次，轉成對齊格線的音樂特徵——存在硬碟上大約 0.7 TB。所有訓練都在單張 16 GB 記憶體的 NVIDIA RTX 4070 Ti SUPER 上進行。我們不是每次改動都從頭重新訓練，而是隨著資料和 timing 格線演進，持續微調音符模型；當我們改變格線的起始方式時，兩個模型都重新在新格線上訓練。v2 音符模型的完整訓練歷程累計約 540 個有紀錄的 GPU 小時——光是最後一輪就花了大約四天，對 1,690 萬個訓練視窗跑了大約五輪——規劃器則另外再加上大約 40 小時。
這一切都不只看訓練 loss 來判斷。每一項改動都會直接在生成的譜面上檢查：timing 準確度、實測難度與目標的差距，以及可玩性。
廣泛的資料能帶來什麼——又不能帶來什麼
正是因為資料夠廣，一個模型才能寫出 4K 和 9K、★1 和 ★10、長條為主和 jack 為主的譜面，並依照你要求的風格作譜：這些譜型都存在於語料庫的某個角落。廣泛的資料給不了的，是一致的品質標準——社群語料庫裡的譜面有好有壞，而模型會從所有譜面學習。
我們公開資料裡有什麼、以及為什麼；但不公開資料取得、篩選和建構的細節。技術頁面說明了資料在整個系統中的位置，而Planner + Noter 一文則介紹了從這些資料學習的兩個模型。