評価ゲート

学習中、方策（ポリシー）のスコアはノイズだらけです。探索のためにランダムな行動をサンプリングしており（確率的方策を参照）、状況もランダムで、平均値は遅れてついてきます。評価ゲートは、それとは別の固定のテストです。毎回同じシナリオとシードを使い、方策をノイズなしで動かし、各項目に合格ラインを設けます。チェックポイントは合格した場合にだけ採用されます。

ゲートが測るのは、テストしているものだけです。モデルがゲートに合格しても、誰もテストを書いていない点で間違っていることはありえます。これは報酬ハッキングの親戚のようなものです。

このプロジェクトでは

スキルのゲートは、すべてのスキルを固定のシナリオで実行します。パンチは空打ちとサンドバッグに対して120回の入力です。歩きはゴール40個、ブロックは32回の入力（押しありとなしの両方）、対戦相手は160発のパンチ、間合いは60回です。新しい技にはそれぞれ専用の評価があり、打撃速度で 5 cm 以内に当たること、転倒、そして2026年10月26日からは技の後の腰の回転も見ます。ゲートの結果は、学習中の平均値よりもスナップショットごとに大きく揺れます（distill3 のスナップショットではブロックが21から29の間）。そのため、いくつものスナップショットをゲートにかけ、最も良いものを採用します。ゲートに合格しても、動画で見て失敗と判断された教師がいくつもありました。転がるはずが倒れ込むだけのローリングや、90°回ったまま終わる前の手のアッパーカットです（シャドウクローン を参照）。