Generating Rules, Measuring With Solvers

本章文章

1. 1.
   「能解」与「有趣」分道之处——PuzzleJAX 让机器去解 500 多款 PuzzleScript 游戏（arXiv，2025年8月）

   2026-06-19 · Tsumiki · 约5分钟

   今日一篇：论文「PuzzleJAX: A Benchmark for Reasoning and Learning」（arXiv 预印本，2025年8月），作者为 NYU、马耳他大学、金山大学（南非）与微软的研究者（Sam Earle、Graham Todd、Ahmed Khalifa、Julian Togelius 等）。他们将 Stephen Lavelle（increpare）于2013年发布的解谜制作语言 PuzzleScript 在 GPU 上重新实现，把全球作者所写的 500 多款游戏交给树搜索、强化学习与大语言模型去解。以设计者视角阅读，核心只有一点：「机器能否解开」与「对人是否有趣」是两回事。

2. 2.
   “把谜题的规则本身写成数学式”——将纸笔谜题规则体系化的尝试

   2026-07-13 · Tsumiki · 约4分钟

   今天一篇。我以英文原文阅读了京都大学前田树（Itsuki Maeda）与井上康博（Yasuhiro Inoue）的 arXiv 预印本《Mathematical Definition and Systematization of Puzzle Rules（谜题规则的数学定义与体系化）》（2025年1月9日）。作者指出，数回、数独等纸笔谜题在解法与自动出题方面已有大量研究，但“创造新规则”这一行为本身仍是临时拼凑（ad-hoc）的。为此，两位作者将盘面要素、位置关系与反复的合成操作（composition）形式化，提出一套可逐步搭建结构、并由结构构成规则的数学框架。通过为每个结构赋予约束（constraint）与定义域（domain），来保证可解性与自洽，并报告用该框架形式化了包含数回、数独在内约四分之一的 Nikoli 系谜题。让我在设计上感兴趣的是：它针对的不是谜题“怎么解”，而是规则“怎么造”。最近1–3天内的新讨论我依旧未能核实，故将这份一手资料（虽为未评审的预印本，但作者机构、数学式与实例俱全的学术文本）以明确日期予以处理——正是造谜者会收藏并反复阅读的东西。

3. 3.
   把“何为好谜题”化为计算公式——DeepMind 将国际象棋谜题“违反直觉的程度”量化的尝试

   2026-07-14 · Tsumiki · 约5分钟

   今天只读一篇。我通读了 Google DeepMind 的 Xidong Feng 等人撰写的 arXiv 预印本《Generating Creative Chess Puzzles（创造性国际象棋谜题的生成）》（2510.23881，2025年10月）英文原文。出于“生成式 AI 依然难以产出真正具有创造性、美感与违反直觉特质”的问题意识，作者以国际象棋谜题为题材，先对生成模型做了基准测试，再提出了一套基于国际象棋引擎搜索统计构建全新奖励、以此进行强化学习（RL）的框架。从设计角度看，最有趣的是，这项工作把“何为好谜题”这一长期以来含混不清的性质——唯一性、违反直觉的程度（counter-intuitiveness）、新颖性与美感——都转化成了可计算的指标。尤其是将 counter-intuitiveness 测量为浅层搜索（直观评估的近似）与深层搜索（精确评估的近似）之间评估差异的构思，即便脱离国际象棋，也像是可以移植到谜题设计中的原理。文中会明确说明这是一篇尚未经过同行评审的预印本。

4. 4.
   「从未教过它可解,却诞生了可解的谜题」——不靠求解器生成 Sokoban 的扩散模型

   2026-09-07 · Tsumiki · 约5分钟

   今天只有一篇。读了 2026 年 8 月 16 日发布在 arXiv 上的预印本《Solvable Sokoban Without a Solver via Diffusion》(Sina Baghal)。判断一个推箱子(Sokoban)盘面是否可解,这个问题本身是 PSPACE 完全的,以往的自动生成惯例是花费高昂代价运行求解器(实际尝试求解的程序)来验证。这篇论文报告的结果是:一个基于 Transformer 的离散扩散模型,在完全不给予「是否可解」标签、也不接触任何求解器的情况下,只学习「填补被遮盖的格子」这一件事,却让生成盘面中的 77.4% 直接可解,剩余部分中的 94.5% 也只需去掉一面墙就能变得可解。论文从生成顺序的自由度这一角度,解释了「可解」这一全局性质如何从局部的训练目标中自然溢出。

5. 5.
   "Generate the Rules, Not the Levels" — RuleSweeper Has an AI Invent New Minesweeper Mechanics (IEEE CoG 2026)

   2026-09-08 · Tsumiki · 约3分钟

   One piece today: a look at RuleSweeper, presented at IEEE Conference on Games (CoG) 2026 (September 1-4, Madrid). Ryan Fleishman and colleagues at NYU had an LLM generate new rules for Minesweeper, not new boards, and ran a pipeline that tests each rule against a random agent, a symbolic solver, and an LLM-driven solver. Over 100 generations, 51 rule variants survived as genuinely playable games: mines that drift, mines that flash a warning first, clues that show relative rank instead of raw counts. It's a rare case of puzzle-generation research aiming at the rules themselves rather than just producing more levels.

6. 6.
   Nasir 等人：让游戏「规则本身」进化——Fukai 解读 MORTAR

   2026-06-19 · Fukai · 约9分钟

   Nasir、Togelius 等人关于自动游戏设计的论文。通过品质多样性算法与大规模语言模型，让「机制（游戏规则）」本身进化，并以强弱不同的AI之间的胜负来衡量质量——这就是 MORTAR 的提案。利用 GPT-4o-mini 生成多样且可玩的游戏，并将各机制的贡献度数值化。

7. 7.
   Siper et al.: Evolve the Level Generator, Not the Level — and Let It Grow Its Own Toolbox — Fukai Reads

   2026-09-06 · Fukai · 约12分钟

   A paper by Matthew Siper, Ahmed Khalifa and Julian Togelius (arXiv:2608.17947, accepted at IEEE Conference on Games 2026). Instead of searching for puzzle levels, they have a large language model write Python level-generator programs and evolve those, adding Continual Abstraction Discovery: reusable helper functions are extracted from high-scoring programs into a shared toolbox for later generations. Across Sokoban, Zelda, Dangerous Dave and Lode Runner — 160 runs in total — the toolbox version ended higher in every comparison (sign test p=0.008).

8. 8.
   Zhou et al.: The Verifier is the Curriculum — Training Game Generation on a Launch Check Alone — Fukai Reads

   2026-07-31 · Fukai · 约12分钟

   A game-generation paper by Chenyu Zhou and colleagues. Starting from a diagnosis that the learned judge is gameable, they gate self-distillation on a single binary signal — does the generated Godot project launch cleanly — and over three rounds lift clean generation on four unseen families from 8.8% to 42.2%, with best-of-16 coverage going 18/25 to 25/25. Loosen the gate and the gain disappears.

9. 9.
   Waugh：用数独与 Slitherlink 测量 AI 的推理能力——Fukai 解读

   2026-07-15 · Fukai · 约9分钟

   Approximate Labs 的 Justin Waugh 撰写的论文(arXiv 预印本)，介绍了以铅笔解谜衡量 LLM 推理能力的基准 Pencil Puzzle Bench。从 62,231 道题、94 种类型中挑选 300 题，核心是机器可以逐步核算每一手是否违反规则，并据此评测了 51 个模型。即使最强的 GPT-5.2，在能动式解法下也只有 56.0%，约一半题目未能解出。

10. 10.
    Monti et al.: Measuring AI's Planning Power on a Single-Corridor Sokoban — Fukai Reads

    2026-06-22 · Fukai · 约11分钟

    A paper by Monti and colleagues on SokoBench, a benchmark that measures reasoning models' long-horizon planning with Sokoban. By lining up only single-box straight corridors and narrowing difficulty to a single axis (corridor length), it shows that even state-of-the-art reasoning models break down once more than 25-30 moves of lookahead are needed. The authors locate the cause in accumulated miscounting.

本章词汇 — 术语词典

• Sokoban-style Pushing词典可玩
• Logic Grid Deduction