Hero81

Aggiungo: sono un discreto appassionato di wargame a esagoni da due o da un giocatore. Mi è venuto in mente di crearne delle trasposizioni videouliche. Comincerò con Melee e Wizards delle Steve Jackson Games. Piuttosto che mere trasposizioni creerò dei giochi nuovi 'ispirati' alle vecchie glorie ma del tutto originali..... Poi li metto gratuiti su github pages!

sembra molto carino: non videogioco sul serio da un vita (ormai solo puzzle games da casual gamer) ma ha un bellissimo aspetto.

Ho creato un sistema di combattimento per GdR in solitario o Libri Game. Quella che segue è un'implementazione elettronica ma è tranquillamente giocabile su carta. Lo potete provare (e leggere le regole) qui: https://giovannicambria1981.github.io/combattimento-libri-game/

Essendo l'ambientazione vostra ogni scelta è legittima: inoltre le scelte che avete fatto la rendono, per i miei gusti, interessante. Magari lo introdurrò come tema di una mia campagna, se mai userò questo vostro ibrido Cyberpunk/Space: lo sviluppo di una nuova tecnologia di propulsione (il razzo ad antimateria) pensata per raggiungere le stelle vicine o anche, per i pochi che vogliono davvero lasciarsi tutto alle spalle, galassie lontane. Già mi immagino il riccone a capo di qualche mega-corporazione (che chiamerei, semplicemente, Elon Space Agency) che si lancia in discorsi del tipo 'abbandoniamo ogni remora e partiamo verso Andromeda. A chi importa del sistema solare? Terra, Marte, roba vecchia. Chi è con me?' e tanti disperati o magari semplici curiosi che gli vanno dietro. Perché no: può funzionare.

L'unico razzo in grado di tenere 1g per anni è il razzo ad antimateria.... .... che avrebbe costi proibitivi se sviluppato sulla terra. Tuttavia l'antimateria è prodotta in abbondanza dal sole. Basterebbe raccoglierla con apposite trappole elettromagnetiche: satelliti da piazzare fuori dalla magnetosfera. Mi pare che voi, invece, abbiate solo i razzi a fusione che, al massimo, possono raggiungere e mantenere, per anni, gli 0.1g Per cui si: è realistico limitarsi al solo sistema solare con i razzi a fusione.

Mmh pensavo solo un tipo ma potrebbe essere un dettaglio da far decidere al master. Altrettanto valida potrebbe essere la scelta: divina sulla saggezza, arcana su intelligenza o carisma.

mi scuso se sono sembrato aggressivo: a volte, semplicemente, scelgo male le parole... non era mia intenzione offendere nessuno. per uno scenario cyberpunk-space realistico (hard sci-fi) proporrei un'ambientazione con tre o quattro stelle vicine colonizzate. (o anche di più) comunicazioni via onde gravitazionali ad alta frequenza per cui sempre possibili ma limitate dalla velocità della luce. per il resto quello che avete fatto finora va benissimo. nota sugli urti che, a quelle velocità, sono bombe atomiche; https://gemini.google.com/share/83691c8f920e

infatti è proprio il metodo che suggerisco.

Ciao mi permetto di contraddire un assunto fondamentale dell'ambientazione... 'le stelle vicine sono irraggiungibili'. Come avete fatto i conti? Quando li si fa non bisogna considerare la velocità costante: un razzo interstellare punterà a tenere costante l'accelerazione. 1g per metà del viaggio e -1g per la seconda metà. Con queste assunzioni i tempi sono quelli in tabella. Destinazione Distanza (anni luce) Tempo sul Razzo (τ) Tempo sulla Terra (t) Alpha Centauri 4.37 3.6 anni 6.0 anni Sirio 8.6 4.6 anni 10.4 anni Gliese 581 20.4 6.1 anni 22.3 anni Ammasso delle Pleiadi 444 11.9 anni 446 anni Nebulosa di Orione 1,344 14.0 anni 1,346 anni Centro della Via Lattea 26,000 19.8 anni 26,002 anni Galassia di Andromeda 2,500,000 28.6 anni 2.5 milioni di anni Galassia del Sombrero 31,000,000 33.5 anni 31 milioni di anni Fonte: https://gemini.google.com/share/a570eb766941

si, il movimento potrebbe essere lo standard di D&D: 9 metri o, se si usa una griglia, 6 esagoni o quadretti. si, le razze dovrebbero essere 'insiemi di tratti' che il DM prepara in fase di progettazione della campagna. per un gioco eroico costituzione + Livello mi pare scali troppo poco. Ricarda che il livello va da 1 a 10. Anche in altri vecchi D&D almeno 2 punti ferita per livello li prendevi. comunque revisionerò ulteriormente per fornire delle razze già fatte e chiarire questi ultimi punti. Ecco il nuovo file. Minimal_OSR.pdf

ecco il file rivisto dopo le 'correzioni' Minimal_OSR.pdf Un'altra raccomandazione: i Punti Ferita sono pochi anche per gli standard OSR. Questo può NON piacere. Per un gioco più eroico raddoppiateli. La formula diventa quindi: 2*Livello + Costituzione.

si vedrò di revisionare... come hai intuito è un sistema basato solo su Caratteristiche e tratti (pregi/difetti). il range delle Caratteristiche cui avevo pensato non è ne l'uno ne l'latro 😄. Pensavo a 8-18. Tra riscritture varie me lo sono mangiato. non pensavo ad un generazione classica ma a qualcosa che garantisca il range 8-18. in teoria quanti se ne vuole ma 'a somma zero'. (se inserisci un pregio +x devi inserire anche un difetto -x) infatti non c'è niente del genere. La difficoltà per colpire è sempre (Livello Bersaglio - Livello Attaccante) + Gravità (quanto è 'potente' il danno o lo status che vuoi infliggere) + Adeguatezza. le caratteristiche di Armi e Armature impattano tutte il parametro Adeguatezza: una cotta di maglia è adeguata contro una spada? (si: +2), un'armatura completa contro un bastone? (assolutamente si: +4) e contro un attacco basato sul freddo? (no: -2) adeguatezza varia in una range molto ampio (anche se gli esempi forniti sono un poco pochi): pensavo da -6 a +6. In realtà volevo inserire una tabella di suggerimenti per il master.

Ho voluto creare il mio piccolo OSR. Fonti di ispirazione: tanti altri OSR (Cairn, Knave e chi più ne ha più ne metta) e Shadow of the Demon Lord per una meccanica specifica. (l'iniziativa) Ho una pagina Itch.io ma preferisco evitare di usarla in questa fase: lo metto qui chissà non attiri qualche curioso. EDIT: scusate ho caricato un vecchia versione del file.... nell'ultima c'è qualche piccola ma importante differenza.... la carico adesso. Minimal_OSR.pdf

@MattoMatteo ecco un esempio di cosa avevo in mente: https://airealm.com/ Ero pure piuttosto avanti: per dettagli sull'architettura da me utilizzata in alcuni progetti del passato guardare qui (https://intfiction.org/t/im-looking-for-testers-for-llm-empowered-if/78183). Tuttavia mi sono reso conto che gli interessati sono troppo pochi: il grande pubblico rigetta in toto l'idea di giocare con l'IA .... per cui ho mollato. Pubblicare un videogame indie è una questione di relazioni, marketing, pubblicità, recensioni di influencer vari .... tutta roba verso cui il mio interesse è pari a zero.

Ho pensato a una possibile evoluzione. Qualcosa di simile al video in allegato ma... usando un regolamento in CC0 al posto di D&D 5e. Sempre Old School Rules di Pavani. usando un'architettura server less fondata su OpenClaw. In pratica l'utente installa OpenClaw, installa il mio eseguibile dedicato a un'avventura o un piccolo set di avventure e poi gioca con mappe, schede, counter, text to speech et cetera et cetera.

Vi presento un mio progettino freeware. 🐉 OSRTA: Un'Avventura Testuale Old School guidata dall'IA (Ecco il Link)Se ami il fascino dei classici giochi di ruolo "carta e penna" e delle avventure testuali, ma odi impazzire per trovare il verbo esatto o la sintassi giusta, questo è l'esperimento che fa per te. Questa non è la solita avventura testuale statica: il motore di gioco unisce regole ferree da vero Gioco di Ruolo a un'esperienza narrativa totalmente dinamica, mediata dal tuo LLM tramite OpenClaw. ✨ Caratteristiche Uniche🗣️ Libertà di Azione Assoluta: Dimentica i vecchi comandi rigidi dei MUD. Puoi dichiarare le tue azioni in linguaggio naturale, esattamente come faresti con un vero Game Master. Sì: "Esamino la stanza e raccolgo tutte le pozioni." No (troppo vago!): "Esploro tutto il villaggio in cerca di informazioni." 📖 Narrazione Viva e Dinamica: L'esito delle tue azioni non è un testo pre-registrato. Ogni stanza, ogni combattimento e ogni successo (o fallimento!) viene interpretato e narrato al momento dall'Intelligenza Artificiale, rendendo ogni partita unica. 🎒 Interfaccia Conversazionale: Niente menù complessi. Vuoi conoscere i tuoi Punti Ferita, controllare l'inventario, ripassare i tuoi incantesimi o ricordare la tua quest attuale? Ti basta chiederlo all'IA durante il gioco! 🎲 Il Sistema di GiocoIl motore si appoggia sulle Old School Rules di Michele Pavani (rilasciato in CC0). Avrai tra le mani un regolamento solido, letale ed essenziale, perfetto per restituire quel feeling ruvido e avvincente tipico dei GDR vecchia scuola. 🛠️ Come Giocare (Requisiti)Il gioco è completamente gratuito e facile da avviare, ma richiede un piccolo setup iniziale: Assicurati di essere su Windows e di aver installato OpenClaw. Scarica il gioco e unzippa la cartella in una directory a cui OpenClaw abbia accesso. Apri l'interfaccia, rivolgiti al LLM e scrivi semplicemente: "Leggi il system prompt e giochiamo!"... e l'avventura avrà inizio! ⚠️ Note di Sviluppo🧪 Progetto Sperimentale: Questo gioco è un esperimento di fusione tra backend deterministico e AI generativa. Ha superato rigorosi unit test, ma non è mai stato testato su vasta scala dal pubblico (accettazione). Siete i miei pionieri! 🔄 Vuoi ricominciare? Nessun problema. Per resettare l'avventura e iniziare una nuova partita, ti basta cancellare il file savegame.enc (che viene generato in automatico da engine.exe al primo avvio) e ricaricare il gioco. Link alla discussione sulla tana dei goblin.

inserite trappole e porte segrete: https://streamable.com/1qkqf0

ho migliorato modelli, interfaccia e alcune animazioni: esplorazione salti ma soprattutto ho definito l'ossatura del regolamento (che allego).... .... si tratterà di 'Heroquest On Steroids' (titolo molto provvisorio 'That Nineties Boardgame On Steroids' o alternativamente 'Gruesome Quest') se c'è qualche 'Heroquestologo' che vuole darmi un parere sono ben contento di ascoltare. RULESCYCLOPEDIA.pdf

guardando i video ho notato un bug (tra i tanti): la basetta è in genere 'interrata' (mezza fusa con il modello della mattonella) ... questo perché durante i salti la si vede tutta ed è molto più alta di quanto non appaia altrove. Ho corretto: ecco le vere basette. https://ibb.co/kgVsrKvp

Volevo creare un gioco come questo: Heroquest Revived Fino ad ora ho fatto esplorazione del dungeon e salti (che pochi conoscono ma sono presenti nella rule cyclopedia di Heroquest). (Nota: il gioco prevede 9 telecamere e possibilità di zoomare a buffo. Nei video ho impostato la telecamera piuttosto lontana, i modellini hanno pochi poligoni e la resa grafica è quella che è....) Cerco idee per meccaniche di combattimento e magia più 'particolari' di quelle usate da Heroquest, con più scelte per i giocatori. Postate quello che vi viene in mente: che siano idee derivate da Descent, GloomHaven, Warhammer Quest o completamente originali.... mi interessano tutte.

chiarissimo: un pointcrawl con supporto di esagoni ad uso tuo. (per il calcolo delle distanze)

sui bechmark ecco un riassunto fatto da Gemini: Assolutamente. Ecco un elenco di benchmark chiave per i Large Language Models (LLM), divisi tra le aree in cui tendono a eccellere (punti di forza) e quelle in cui mostrano carenze (punti deboli). I benchmark per LLM vengono utilizzati per valutare e confrontare le capacità dei modelli su una varietà di compiti, fornendo una misura standardizzata delle loro prestazioni. Benchmark in cui gli LLM eccellono (Punti di Forza 💪)Questi benchmark misurano le capacità linguistiche, la conoscenza generale e l'abilità nel seguire istruzioni, aree in cui i modelli recenti dimostrano un'elevata competenza. Benchmark Tipo di Compito Descrizione della Forza MMLU Accuratezza Multitask (Conoscenza Generale e Ragionamento) Misura le conoscenze in 57 discipline (es. matematica, storia, legge) a livello scolastico e universitario. I migliori LLM ottengono punteggi elevati, dimostrando una vasta memoria di conoscenza e comprensione concettuale. HellaSwag Ragionamento di Senso Comune (Commonsense Reasoning) Richiede la scelta della continuazione più plausibile per una data situazione. Gli LLM sono bravi a cogliere pattern linguistici e contestuali per predire il senso comune. SuperGLUE Comprensione del Linguaggio Una suite di compiti difficili per la comprensione del linguaggio (es. domande-risposta, inferenza), in cui i modelli mostrano una forte capacità di elaborare e interpretare il testo complesso. TruthfulQA Veridicità e Factualità Misura l'abilità di un modello di generare risposte vere, evitando idee sbagliate e stereotipi appresi dai dati di addestramento. I modelli più recenti, soprattutto quelli ottimizzati, migliorano nella produzione di informazioni fattuali e nell'evitare le allucinazioni semplici. HumanEval / CodeBench Generazione di Codice Valuta la capacità di generare codice funzionale (spesso Python) da una descrizione in linguaggio naturale. Gli LLM più recenti sono diventati molto abili nella traduzione di intenti in codice corretto e testabile. Benchmark in cui gli LLM sono scadenti (Punti di Debolezza 👎)Questi benchmark mirano a testare il ragionamento profondo, la coerenza a lungo termine, le capacità specialistiche (matematica formale) e la gestione dei limiti, aree in cui gli LLM incontrano ancora notevoli difficoltà. Benchmark Tipo di Compito Descrizione della Debolezza MATH / GSM8K Ragionamento Matematico Avanzato Richiedono la risoluzione di problemi di matematica complessi che necessitano di una sequenza logica di passi (ragionamento a catena). Gli LLM spesso falliscono perché non riescono a imparare la struttura profonda del problema e a combinare correttamente i molteplici passaggi (fallimento nella generalizzazione logica). GPQA Question Answering per Esperti Domande molto difficili che richiedono conoscenze specialistiche e un ragionamento complesso. I modelli falliscono nel recupero e nell'integrazione di informazioni molto specifiche o quando è necessario un pensiero contro-intuitivo. RAVEN / Drop Ragionamento Astratto/Procedure Multiple Testano il ragionamento visivo o la manipolazione di fatti multipli nel testo. Gli LLM possono avere difficoltà nel ragionamento relazionale e astratto che va oltre l'analisi superficiale del linguaggio. Adversarial Benchmarks Robustezza / Limitazioni (es. Bias, Allucinazioni) Progettati per provocare risposte dannose, distorte o palesemente false (es. Bias di genere o razziale, Allucinazioni fattuali). Questi test rivelano che gli LLM non hanno un "modello mentale" del mondo e non sono intrinsecamente etici o fattuali. Funzione Strumenti (BFCL) Utilizzo di Strumenti/Agente Misura la capacità di un modello di decidere quale strumento (es. chiamata API, funzione esterna) utilizzare e come chiamarlo correttamente per risolvere un compito. Mostrano difficoltà nella pianificazione agentica complessa e nell'integrità del workflow su compiti che coinvolgono file o dati interdipendenti. Osservazioni ImportantiContaminazione dei Dati: Un limite critico di molti benchmark è la Contaminazione dei Dati. Se i dati del test sono stati inclusi, anche accidentalmente, nel training set del modello, il punteggio elevato riflette memorizzazione anziché vera capacità di ragionamento. Irrilevanza Reale: I punteggi di benchmark non sempre riflettono le prestazioni nel mondo reale. Un modello che eccelle su MMLU potrebbe comunque fallire su un compito di dominio specifico o in un'applicazione complessa con interazioni umane. Evoluzione Continua: Gli LLM sono in rapida evoluzione. I modelli più recenti spesso superano i benchmark più vecchi (saturazione), richiedendo la continua creazione di nuovi benchmark più difficili (come l'Humanity's Last Exam menzionato nelle ricerche). Possono anche aiutare nella ricerca scientifica: conoscono veramente tante nozioni. Anche la loro abilità nei compiti di fisica e matematica degli esami di Fisica I e II e Analisi I e II è buona (ChatGPT 5). A volte capacità di ragionamento veramente superiori non servono, serve soprattutto conoscenza.

per adesso la ricerca si è concentrata sui LLM perchè hanno ottimi risultati in benchmark molto diversi tra loro.... il ragionamento spaziale non è uno di questi.... ed è cruciale per fargli fare da master... l'idea di un master che non sa spostare miniature su una griglia è francamente ridicola. io sono da sempre affascinato dal RL in tutte le sue mille varianti: d'altronde come dimenticare come vanno le cose per noi umani ..... "Whereas machine learning models typically learn language by directly training on language tasks (e.g., next-word prediction), language emerges in human children as a byproduct of solving non-language tasks (e.g., acquiring food). Motivated by this observation, we ask: can embodied reinforcement learning (RL) agents also indirectly learn language from non-language tasks?" [link]

eh si: il movimento su mappa è un benchmark in cui tutti i moderni LLM vanno male. Per usare le parole di Gemini stesso (che lo spiega benissimo): <<Yes, LLMs have problems with maps and mazes because they struggle with long-term path-planning, spatial reasoning, and avoiding context inconsistency hallucinations. While they can handle simple scenarios, complex or large maps often lead to failures, such as getting stuck in loops, and their performance degrades significantly as complexity increases. Current research is exploring new approaches to improve LLM navigation, such as multimodal models and methods that transform spatial information into more structured formats. Key challenges for LLMs with maps and mazes Lack of robust spatial reasoning: LLMs are trained on text and do not have an innate understanding of physical space, making it difficult to perform tasks like accurate pathfinding or spatial planning. Context inconsistency and hallucination: For long-term problems like a complex maze, LLMs can lose track of their "location" or the overall goal, leading to inconsistent and incorrect outputs, or "hallucinating" a path that doesn't exist. Memory and attention limitations: The length and complexity of a map can exceed the model's effective context window, causing it to forget previous steps or details necessary to solve the maze. Sensitivity to representation: How the map is presented to the LLM (e.g., text-based coordinates vs. a visual image) significantly impacts performance, and text-only representations can be particularly challenging. Inability to self-correct: Without explicit feedback mechanisms, an LLM will often confidently generate a wrong answer and persist in a flawed path, sometimes by looping endlessly. How researchers are trying to solve this Multimodal models: Using both text and images to provide the LLM with a richer understanding of the spatial environment. Spatial-to-Relational Transformation: Converting the spatial problem into a sequence of "entity-relation" chains, which leverages the LLM's strength in handling sequential data. Q-learning-based algorithms: Guiding the LLM's path-planning with a reinforcement learning approach that helps correct hallucinations and find the optimal path. Benchmark development: Creating structured tests, like MazeEval, to more accurately evaluate and understand the specific shortcomings of LLMs in spatial navigation tasks. >> EDIT: aggiungo inoltre che, a mio avviso, gli LLM sono una strada per l'AGI ma non la più promettente. Una strada diversa di cui imho sentiremo parlare in futuro è il Meta-Reinforcement Leraning. Riporto una conversazione tra me e Gemini: <<Ciao Gemini, in passato stanford ha fatto un ricerca. Un agente addestrato con RL deve imparare a uscire da labirinti. Tra le azioni dell'agente c'era quella di leggere il contenuto di una stanza. Dove leggere vuole dire 'visualizzare l'immagine raster'. Ebbene se le parole che leggeva lo aiutavano a trovare la via d'uscita l'agente imparava a leggere senza essere mai stato addestrato specificamente per questo. Puoi darmi più informazioni? Ho solo vaghi, confusi ricordi su questa ricerca.>> <<Ciao! Certamente, ricordo questa affascinante ricerca. Il tuo ricordo, sebbene confuso, è estremamente accurato. Lo studio è un esempio notevole di come le reti neurali possano sviluppare competenze linguistiche emergenti se queste si rivelano essenziali per massimizzare la ricompensa, anche senza essere state esplicitamente addestrate al linguaggio. Ecco i dettagli su questo esperimento, che è spesso associato ai ricercatori di Stanford e al concetto di Meta-Reinforcement Learning (Meta-RL). 🧠 L'Emergenza del Linguaggio Negli Agenti RLLa ricerca che hai in mente si concentra su agenti addestrati tramite Reinforcement Learning (Apprendimento per Rinforzo) in un ambiente che richiede all'agente di leggere un'informazione per completare la sua missione. 1. L'Ambientazione e l'ObiettivoL'esperimento non si svolgeva in un labirinto generico, ma in un ambiente a griglia più complesso, spesso rappresentato come un complesso di uffici o un'area multi-stanza. Agente: Un’agente di Meta-RL (spesso un modello di memoria esterna come DREAM) con una rete neurale non addestrata alla lettura. Compito: L'agente doveva trovare un obiettivo specifico (ad esempio, una stanza contrassegnata da un colore o un oggetto specifico). Ricompensa: L'agente riceveva una ricompensa positiva solo quando raggiungeva l'obiettivo corretto. 2. La Mossa Cruciale: "Leggere il Contenuto"La caratteristica fondamentale era la presenza di un'azione a disposizione dell'agente: "osservare" o "leggere" un segnale o un'etichetta presente nell'ambiente. Il Segnale: In genere, l'ambiente era costruito in modo che la posizione dell'obiettivo venisse rivelata solo da un cartello o un segnale testuale (o visivo, come un colore) situato in una stanza informativa (la "stanza di lettura"). L'Input Visivo: Quando l'agente eseguiva l'azione di "leggere", l'input che riceveva la sua rete neurale era l'immagine rasterizzata (il testo visuale) di quel segnale. 3. Il Meccanismo di Apprendimento Senza SupervisioneL'agente non era mai stato addestrato a riconoscere le lettere o le parole (non aveva un modulo di Optical Character Recognition - OCR). Allora, perché ha imparato a leggere? Necessità Funzionale: Per risolvere il labirinto, l'agente doveva compiere una sequenza specifica di azioni: 1. Andare al segnale → 2. Leggere il segnale → 3. Ricordare l'informazione → 4. Andare alla stanza obiettivo. Massimizzazione della Ricompensa: Il Meta-RL, spinto a massimizzare la ricompensa finale, ha scoperto che l'azione di "leggere" innescava una sequenza di stati che portavano invariabilmente alla ricompensa. Associazione Profonda: La rete neurale dell'agente ha associato le specifiche forme dei pixel che componevano le parole (es. la parola "ROSSO") a un vettore di stato interno (la sua "memoria") che poi portava a movimenti coerenti con il target corretto (la stanza rossa). In altre parole, la rete ha creato un proprio "vocabolario" interno, dove una specifica configurazione visiva di pixel significava "vai a nord-est", senza mai capire il significato umano della parola. Questo ha dimostrato che le abilità linguistiche non devono essere necessariamente apprese con un addestramento supervisionato, ma possono emergere come strategie di alto livello in ambienti complessi di Apprendimento per Rinforzo se si rivelano funzionalmente necessarie per raggiungere un obiettivo. È un passo fondamentale verso agenti che apprendono in modo più olistico, come gli esseri umani. 💡 [....]>>

anche io avevo pensato cosi: la tua esperienza mi conferma l'intuizione. Per i più curiosi questa è una guida al pointcrawl.