دوز چرخشی سه‌مهره‌ای، در برابر یک مدل آموزش‌دیده

هر بازیکن فقط سه مهره دارد؛ بعد از گذاشتن هر سه، به‌جای مهره‌ی جدید، مهره‌های خودش را جابه‌جا می‌کند. حریف شما ترکیبی از یک حل‌کننده‌ی دقیق ریاضی و یک مدل یادگیری تقویتی self-play است — نه یک مدل زبانی (LLM).