ladder-drift-and-meta-aware-regression

使用场景：(1) 你的智能体在没有任何代码变更的情况下，周环比LB分数急剧下降；(2) 你正考虑为一个强启发式策略添加“元感知”奖励（如优先目标、 matchup 奖励、卡组类型检测）；(3) 在小样本（60-80局）中测试智能体变体时，结果噪声大或相互矛盾；(4) 在对抗主流卡组进行测试时，错误率飙升。 不要对标准的表格型机器学习模型触发此警告——这适用于竞赛类智能体，其特点是：(a) 环境元策略每日变化，(b) 在小规模测试中看似有效的“改进”往往在生产环境中出现性能倒退。 关键教训：相同代码，48小时内LB分数漂移200分。 典型反模式：对假设的宝可梦施加+600的目标奖励 → 实际对阵该卡组时表现下降10%。

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本