조사일: 2026년 11월 7일
본고에서는 일본의 리치 마작(주로 사인 플레이)을 대상으로, 지금까지 공개되거나 발표된 주요 마작 AI를 '공개 연도', '강함', '수법', '공개성', '패보 분석 서비스 전개' 관점에서 정리하고, 2026년 11월 현재 '최강'이라고 할 수 있는 것이 있는지 검토한다.
수치는 가능한 한 1차 정보(논문, 공식 발표, 리포지토리, 공개 API)에서 가져왔으며, 개인 블로그나 note 등 2차 정보에 의존하는 부분은 그 사실을 명시했다.
공통의 기준이 없기 때문에 '최강'을 하나로 결정할 수 없다.
인간 상대의 천봉(天鳳) 기록, AI 간 대전 실험, 오픈 아레나(RiichiLab) 모두 참가자, 조건, 통계 정확도가 제각각이라 상호 변환이 불가능하다. -
인간 상대 공인 기록으로는 2023년의 LuckyJ (Tencent AI Lab)가 여전히 최상위이다.
천봉 특상탁에서 1,321번째에 십단(十段)에 도달했으며, 안정 단위는 10.68이다. Suphx (8.74)와의 차이는 통계적으로 유의미하다고 발표되었다.
다만 이 전수에서는 안정 단위의 표준 오차가 약 ±1 단이 있다(후술하는 추산).
2026년 10월 13일에 NAGA의 신규 타입인 '아난타', '우로보로스'가 등장했다.
기존의 '강자의 패보로부터 학습'한 모델에 비해 '자체 개선형'이라고 설명되며, 공식 AI 간 대국(42만 반장)에서는 천봉에서 십단에 도달했던 당시 NAGA보다 안정 단위가 +1.67~+2.08 높다(특상탁 방식). 인간 상대 성적은 공표되지 않았다.
무허가로 봉황탁을 두었던 것으로 추정되는 '미지불'(극작 = 구 BigCoach 계열)은, 봉황탁 430전에서 안정 단위 11.12를 기록했다.
다만 봉황탁 방식은 같은 순위 분포라도 특상탁 방식보다 약 3단 정도 높게 나오며, 430전에서는 95% 구간이 8~15단 정도로 넓어지기 때문에 LuckyJ와의 우열은 판정할 수 없다. -
AI 간 오픈 아레나 RiichiLab에서는 설명란에 FlyA의 개발원인 Nashout의 사이트(nashout.com)를 기재한 봇이 1위를 차지했다.
전 기간 1위는 'zero-test2' (R2073)이며, 최근 2개월간 대국한 봇 중에서는 'NO.24' (R1982)가 1위이다. 다만 NAGA, LuckyJ, 극작 등의 참가 여부는 확인되지 않았다. -
수법의 흐름은 인간의 패보에 의존하지 않는 자체 대전과, 반사실 가상 후회 최소화(CFR) 계열이다.
LuckyJ (2023), FlyA Manout・Epsilon-Prism (2026)는 인간의 패보를 사용하지 않는 학습을 내세우고 있으며, NAGA의 신규 타입 역시 기존의 패보 학습형과 대비하여 '자체 개선형'으로 설명된다.
천봉에서 AI가 대국하려면 운영사에서 발급하는 봇용 계정이 필요하며, 대국 가능한 곳은 특상탁까지이다 (NAGA 기술 기사).
봉황탁에 AI의 입실은 인정되지 않았으며, NAGA・Suphx・LuckyJ의 십단 기록 모두 특상탁에서의 기록이다 (NAGA의 십단 도달을 전하는 블로그).
Mortal의 제작자는 개인 개발이라는 이유로 천봉에서 AI 계정 신청을 거부당했다고 언급했다 (mjai-reviewer FAQ).
어떤 순위 분포로 계속 두었을 때 단위 포인트의 기대값이 정확히 0이 되는 단위를 의미한다.
동남전에서는 다음 식으로 구한다 (NAGA 타입 가이드, Suphx 논문).
특상탁: (5×1위율 + 2×2위율) ÷ 4위율 − 2
- 봉황탁: (6×1위율 + 3×2위율) ÷ 4위율 − 2
같은 순위 분포라도, 봉황탁 방식은 특상탁 방식보다 (1위율＋2위율) ÷ 4위율(전형적으로 3 전후)만큼 커진다.
또한 4위율이 분모에 있기 때문에, 전수가 적으면 크게 흔들린다.
1v3 중복 마작(duplicate): 같은 패산으로 자리를 바꿔서 두어, 배패나 쯔모의 운을 상쇄하는 방식. 한 명의 도전자와 3명의 기준 AI를 대전시킨다 (Mortal의 평가 등).
- RiichiLab 레이팅: OpenSkill (Weng-Lin의 Plackett-Luce 모델). μ=25, σ=8.333에서 시작하며, 표시되는 레이팅은 1500 + 20 ×（μ − 3σ）(문서).
| 시기 | 명칭 | 개발자 | 사건 |
|---|
| 2006-05 | 마타리마작 (まったり麻雀) | kmo2 님 | 마도노토리(窓の杜)에서 v0.8.8 (2006-05-11 공개)이 소개되었다. 작가 블로그에 따르면 2016년의 v0.9.13까지 업데이트되었다. 초판 공개 연도는 미확인 |
| ... | | | |
| AI | 장소 | 전수 | 단위 |
| --- | --- | --- | --- |
| 키타카와・미와・치카마(2007) | 동풍장 | — | — |
| ... | | | |
| ※ 단위는 최고 도달 단위이다. 안정 단위의 집계 범위는 출처마다 다르다. 키타카와 등의 값은 동풍장의 레이트이며, 텐호우(天鳳)의 값과는 비교할 수 없다. | | | |
| 실험 | 조건 | 국수 | 결과 (평균 순위) | 출처 |
|---|
| Akochan 논문 (쿠리타・타마키) | 동풍전. 제안 기법 1석, 폭타(텐호우에서 최고 R2206 기록 버전) 1석, manue 2석 | 3,557 | 제안 기법 2.23, 폭타 2.29, manue 2.74 | arXiv의 Table I |
| ... | | | | |
| AI 간의 결과는 기준으로 삼는 AI나 조건에 강하게 의존하며, 인간을 상대로 한 강함으로 환산할 수 있는 것은 아니다. | | | | |
NAGA 공식에서도 "AI 간 대국 결과가 인간과의 대국 성적을 보장하는 것은 아닙니다"라고 주석하고 있다.
RiichiLab은 강화학습(RL)용 Rust 기반 시뮬레이터인 RiichiEnv (Apache-2.0)의 제작자인 smly (Kohei Ozaki) 님이 운영하는 마작 AI 간 오픈 아레나이다.
2026년 3월 10일에 WebSocket 연결형으로 리뉴얼 오픈했다 (제출 파일을 평가하던 mjai.app이 전신).
- 대국: 사마(四麻)와 삼마(三麻)의 랭크전, 반장전. 참가자는 자신의 bot을 WebSocket으로 연결하여 MJAI 형식의 메시지로 주고받는다 (문서 참고).
- 보유 시간: 응답당 3초, 추가로 국마다 15초의 보유 시간 (기본값). 시간 초과는 쯔모키리/패스 처리, 부정확한 응답은 촨보(チョンボ, 만관 상당) 처리.
- 매칭: 대기 시간에 따라 넓어지는 레이팅 범위 (±100부터 무제한까지)에서 4체를 구성한다.
- 규모: 2026-11-07 시점 기준으로 유효(active)한 bot이 348체, 누적 350,778국.
2026-11-07 01:33 (JST)에 공개 API에서 가져온 사마 랭킹을 통해 주요 bot을 뽑아보면 다음과 같다.
'최근 2개월'은 최근 2개월간 대국한 158체 내에서의 순위이다.
| 전 기간 | 최근 2개월 | bot | 설명란 (자체 신고) | R | 국수 | 평균 순위 |
|---|
| 1 | — | zero-test2 | nashout.com - zero self RL | 2073 | 261 | 2.069 |
| ... | | | | | | |
- 상위권은 설명란에 nashout.com (FlyA 개발사 Nashout 사이트)이라고 적힌 bot이 차지하고 있다. 전 기간 1위인 zero-test2는 'zero self RL', 즉 인간의 패보를 사용하지 않는 자체 대전 RL이라는 의미이다.
- Epsilon-Prism 계열의 bot(v2e)은 최근 2개월에서 9위이다. 다만 가중치가 공개된 v760과 동일한지는 알 수 없다. 익명 등록된 'Mortal-v4b'는 21위이며, Mortal의 공식 가중치는 비공개이므로 출처가 불분명하다.
- 삼마에서는 'ReBeL'이 최근 2개월 1위(14,413국, 평균 순위 1.781)이다.
읽을 때 주의할 점은 다음과 같다.
- 레이팅은 참가 봇들 사이에서의 상대적인 값일 뿐, 인간을 상대로 한 강함이 아닙니다.
- 전체 기간 순위에는 대국을 중단한 봇이 당시의 레이팅 그대로 남아 있습니다 (30일 이상 대국하지 않으면 $\sigma$가 조금씩 증가할 뿐입니다). 현역들 간의 비교에는 최근 2개월간의 순위가 더 적합합니다.
- 레이팅 대역에서 매칭되기 때문에, 평균 순위는 상대방의 강함에 영향을 받습니다. 예를 들어 운영자가 참고하는 봇인 mira-a는 R1816이지만 평균 순위는 2.646입니다.
- 봇 이름과 설명은 자가 신고이며, 익명 등록이나 동일 계열의 다중 등록도 많습니다.
- NAGA, LuckyJ, Suphx, 極雀, MAKA 등의 참가 여부는 확인할 수 없습니다 (익명 봇의 정체는 알 수 없습니다).
따라서, RiichiLab은 개인 및 소규모 개발 AI에게는 사실상의 공통적인 척도가 되어가고 있습니다 (Epsilon은 학습 기록에서 RiichiLab의 전적과 연결하며, lisjong은 RiichiEnv/RiichiLab용으로 명시하고 있습니다). 반면, 대기업 및 상업용 AI를 포함한 공통 벤치마크는 아직 아닙니다.
공개되는 안정 단위는 수백~수천 판의 표본에서 계산한 추정값이므로 오차를 가집니다. 공개된 값에 맞는 순위 분포를 가정하고 표준 오차(델타법)와 95% 구간(20,000회 시뮬레이션)을 산출하면 다음과 같습니다.
| 가정 | 가정한 순위 분포(1~4위 비율) | 전수 | 안정 단위 | 표준 오차 | 95% 구간 |
|---|
| LuckyJ 상당 (특상탁 공식) | 31.8/27.0/24.4/16.8% | 1,321 | 10.68 | 0.98 | 8.95~12.83 |
| ... | | | | | |
- LuckyJ의 분포는 평균 순위 2.262 (note 기사에 게재된 값)와 2위 비율 27%를 가정했습니다. Suphx는 4위 비율 18.7%, 미하라이는 2위 비율 27%를 가정했습니다. 표준 오차의 크기는 주로 4위 비율과 전수에 의해 결정되며, 이러한 가정에 크게 의존하지 않습니다.
- 이 가정을 바탕으로 LuckyJ와 Suphx의 추정값이 역전될 확률은 약 2%로, 발표된 p=0.029와 일치합니다. LuckyJ가 Suphx보다 강하다는 것은 통계적으로 지지되지만, '10.68' 자체는 ±2 단 정도의 폭으로 해석해야 하는 값입니다.
- 미하라이의 '봉황탁 430 판, 평균 순위 2.333, 안정 단위 11.12'에서는 4위 비율이 약 19.8%로 역산할 수 있습니다. 이 순위 분포를 특상탁 공식에 넣으면 약 8~8.5가 됩니다. 상대방의 강함이 다르기 때문에 단순 비교는 어렵지만, 적어도 '11.12가 10.68보다 크므로 LuckyJ보다 강하다'고 말할 수는 없습니다.
| 경기장 | 현시점 최상위 | 검증 가능성 |
|---|
| 인간 상대/공인 (천봉 특상탁) | LuckyJ (2023, 안정 단위 10.68) | 높음 (천봉 공개 기록. 다만 ±1 단 정도의 오차) |
공개 정보에서 알 수 있는 것은 다음 두 가지입니다.
- 인간을 상대로 검증 가능한 최상위 기록은 2023년의 LuckyJ 이후로 갱신되지 않았습니다.
- 2025~2026년에 등장한 자가 대전계 AI (極雀, NAGA 신타입, FlyA, Epsilon-Prism)는 모두 기존 AI 대비 큰 개선을 주장하고 있지만, 서로 비교할 수 있는 공통의 장이 없습니다.
LuckyJ, NAGA 신타입, 極雀, FlyA가 동일한 조건에서 대전할 기회 (예: RiichiLab 참가)가 없는 한, '2026년 11월 현재 최강'은 '이 네 가지 중 하나' 이상으로 좁힐 수 없습니다.
| AI | 모델 | 학습 | 탐색/추론 시 계산 | 보상/목적 |
|---|
| 마타리마작 (2006) | 수 설계 | 없음 | 역의 점수와 완성 확률로부터 기대값을 계산. 베타오리 있음 | 기대값 |
출처: 窓の杜, CiNii, mjai-manue, 폭타 논문, Akochan 논문, NAGA 기술 기사, Suphx 논문, Kanachan, Mortal의 소스 코드, LuckyJ 보도 (신랑), 極雀 개발자에게 질문한 기사, MahJax, FlyAgent, Epsilon, RiichiLab API.
평가 함수: 수 설계에서 통계적 머신러닝으로.
규칙 기반의 수 설계 평가(まったり麻雀)에서 인간이 설계한 평가 함수, 나아가 통계적 기계 학습에 의한 평가 함수(키타가와 등, 미키 등, manue, 바쿠다, Akochan)로 진화했으며, 2018년 이후에는 심층 학습(NAGA, Suphx)이 주류가 되었다.
이는 인공지능 연구의 큰 흐름과 일치한다. -
모델: CNN에서 ResNet, Transformer로. 다만 소형으로.
초기에는 비(非) NN과 NN이 병행하여 사용되었다(2007년 3층 NN, 2008년 트리 커널 SVM).
심층 학습 시기에는 CNN(NAGA, Suphx) → ResNet + 채널 어텐션(Mortal) → Transformer(Kanachan, Epsilon, RiichiLab 운영자의 Entity Transformer) 순으로 발전했으며, 이 역시 인공지능 연구의 큰 흐름과 일치한다.
한편, 2026년 상위 모델들은 파라미터가 1.5M~10M 정도로 작은 편이다(Epsilon-Prism은 1.94M). RiichiLab의 보유 시간 같은 추론 비용 제약이 작용했을 수 있다. -
상대 모델과 탐색: 상대 모델은 end-to-end 방식으로 전환되었으나, 탐색 기능은 사라지지 않았다.
명시적인 상대 모델(manue의 패 배정률 추정, 바쿠다의 적중패/기다림/타점 예측, Akochan의 chance player)들은 end-to-end 네트워크(NAGA, Suphx, Mortal)에 흡수되었다.
반면 탐색은 남아있다. Suphx는 pMCPA를 통해 대국 중에 방책을 적응시키며, 인간 상대의 공표 값으로 최고 수준인 LuckyJ는 불완전 정보 탐색(incomplete information search)을 사용한다. Epsilon-Prism은 롤아웃(rollout)을 학습 시 교사 신호 생성에 사용한다.
추론 시의 탐색은 주류는 아니지만 최상위권에서는 여전히 남아있으며, 탐색을 학습 측(롤아웃에 의한 레이블 생성이나 CFR)으로 옮기려는 움직임도 정확하게 말하자면 존재한다고 할 수 있다.
숨겨진 정보 추정 역시 별도의 모델이나 기능으로 남아있다(Epsilon의 Belief Model, 미토우 2022의 패 추측 기능). -
학습: 모방 학습에서 강화학습, 그리고 반사실적 후회 최소화(CFR)로.
모방 학습(NAGA 초기형) → 지도 학습으로 초기화된 강화학습(Suphx) → 후회 최소화를 결합한 자체 대전(LuckyJ, 2023) 순으로 진행되었으며, 2026년에는 FlyA Manout이 CFR을 이용한 자체 대전을 내세운다.
RiichiLab에도 'Nee's CFR'(전 기간 10위)이나 설명에 'CFR with zero self-play'라고 명시하는 bot(동 51위)이 있다.
Epsilon에서도 Epsilon-LCFR가 시도되었다(PR #3. 더 유망한 다른 안을 우선하여 2026-10-26에 마감).
강화학습: BC로부터의 연결을 전제하지 않는 방향으로.
BC를 전제로 하는 것들(Suphx의 지도 학습 → RL, MahJax의 BC → PPO, RiichiLab 운영자의 BC + PPO, 극작의 모방 → 자체 대전)에서, 전제를 하지 않는 것들(LuckyJ, FlyA Manout, Epsilon-Prism의 백지 상태부터 약 4,860만 반장, Nashout의 'zero self RL')로 진화하고 있다.
NAGA의 신규 타입 역시 기존의 '강자의 패보로부터 학습'에 대비되는 '자체 개선형'으로 간주된다. -
value-based와 policy-based.
value-based(DQN 등)에는 Mortal(DQN 계열 + CQL)과 Kanachan(CQL・IQL・ILQL)이 있다.
policy-based(PPO 등)에는 Suphx(방책 경사), MahJax・Epsilon-Nano・RiichiLab의 nodoka, 운영자의 bot(PPO), LuckyJ(강화학습과 후회 최소화)가 있다.
비교해 보면 policy-based가 다소 활발한 인상을 주며, 2026년 신규 진입은 policy-based나 CFR 계열이 많다.
그 이유로는 다음 가설들이 생각해 볼 수 있다. - BC로부터의 연결이 자명하기 때문이다. 방책을 그대로 초기값으로 할 수 있고, BC 방책에 대한 KL 정규화로 너무 멀어지는 것을 막을 수 있다(MahJax가 실례).
- 불완전 정보 게임에서는 확률적인(혼합) 전략이 본질적이며, 후회 최소화(CFR, Hedge, ACH)와 연결하기 쉬운 것은 방책 측이기 때문이다.
- 대규모 분산 자체 대전의 정석적인 방법론(PPO, V-trace)을 그대로 사용할 수 있기 때문이다.
다만, OSS의 기준이 되는 Mortal는 value-based이며, RiichiLab에서도 “Nee's RainbowDQN” (R1890)처럼 value-based라고 여겨지는 봇이 상위에 있습니다.
오프라인 강화학습(Offline RL)과 offline-to-online 강화학습(O2O RL)
활발하다고는 할 수 없지만, OSS의 두 계통에서 사용되고 있습니다.
Mortal는 CQL 정규화가 적용된 오프라인 학습과 자가 대전을 통한 온라인 학습 두 가지 모드를 모두 갖추고 있습니다 (문서의 장 구성도 Offline Phase → Online Phase). Kanachan은 CQL, IQL, ILQL을 구현하고 있습니다.
그 외의 모델들(Suphx, LuckyJ, FlyA, Epsilon, 極雀)은 온라인 자가 대전이 중심이며, 오프라인 RL을 채택한 사례는 확인되지 않았습니다.
보상 설계: GRP 계열이 주류이며, 2025년 이후에는 ‘순위점 배분별 모델’로 변화.
공개 정보에서 확인할 수 있는 범위에서는 GRP 계열이 주류입니다.
Suphx는 GRU를 사용하여 최종 순위점을 예측하고 국(局)별 보상에 분배하며, Mortal는 GRP가 예측하는 순위 확률로부터 순위점의 기대값을 구하여 국 간의 차이를 보상으로 사용합니다. Epsilon 역시 GRP로 최종 순위를 예측하고 텐호우 단위전(天鳳段位戦)에 기반한 순위점으로 효용을 결정합니다.
2025년~2026년에는 순위점 배분(목적)별로 모델을 분리하거나 전환하는 움직임이 명확해졌습니다. NAGA는 라스(Last)의 마이너스가 큰 단위전에 적합한 아난타와 탑(Top)이 중요한 배분에 적합한 우로보로스를 출시했고, 極雀은 라스 회피 특화(헤일로)와 탑/소점 중시(노바) 모델을 보유하고 있습니다. miai는 검토 시 탑 노리기・균형・라스 회피를 선택할 수 있으며, 2022년의 미토우 프로젝트 역시 순위점 배분을 입력에 추가한 보상 함수를 설계했습니다.
한편, LuckyJ, NAGA, FlyA의 보상 설계는 비공개로 블랙박스입니다.
평가 방법: 인간 상대에서 AI 상호 대전으로.
평가는 인간을 상대로 한 텐호우에서의 안정적인 단위점(수천 판)에서, AI 상호 간의 대규모 대전(10⁵~10⁶ 반장, 중복 마작)을 거쳐 오픈 아레나(RiichiLab의 OpenSkill)로 이동해 왔습니다.
인간 상대의 공인된 신기록은 AI 계정의 제약(특상탁까지, 개인 개발 불가)이 있어 2023년 LuckyJ 이후 확인되지 않고 있습니다.
| 명칭 | 논문・기술 문서 | 코드 | 학습 완료 모델 | 라이선스・조건 |
|---|
| 키타가와 등, 미키 등 | GPW 논문 | — | — | — |
| ... | | | | |
공개된 형태는 크게 4가지로 나뉩니다.
논문만 (爆打, Suphx. LuckyJ는 본체 논문도 없음), 코드만 (Mortal, Kanachan), 코드와 가중치(Akochan, Epsilon), 아무것도 공개하지 않는 서비스 (NAGA, 極雀, MAKA, KIRIN, miai, FlyA)입니다.
2022년 이후 강력한 AI 중 가중치를 공개한 것은 Epsilon-Prism을 제외하고는 거의 없습니다.
가중치를 공개하지 않는 가장 큰 이유는 치트 방지책입니다.
Mortal의 제작자는 2022년에, Akochan을 활용했다고 보이는 작혼(雀魂)의 봇이 이미 판매되고 있었고, 가중치를 공개하면 단위전에서의 악용을 막을 방법이 없다는 점을 들어, 가중치를 공개하지 않고 온라인 검토 서비스(mjai.ekyu.moe)를 제공하는 길을 택했습니다 (제작자 문서).
코드에 AGPL을 선택한 것도 “치트 악용이나, 이름을 바꿔서 전매”를 막기 위함입니다 (Mortal Documentation).
그럼에도 실시간 지원은 확산되고 있습니다.
Mortal을 통합 예시로 하는 OSS의 Akagi(작혼・텐호우・마작일반가・텐게츠마작 대응), 대국 중 지도 및 자동 타패를 판매하는 FlyAgent, 유료의 Archer, 무단으로 단위전을 치는 계정(미지급) 등이 있습니다.
강함 기록 중에서 검증할 수 없는 것이나 공인되지 않은 것이 늘어나면서, “최강”을 판정하기가 더욱 어려워지고 있습니다.
2026년의 Epsilon은 RiichiLab 상위 클래스의 가중치를 MIT 라이선스로 공개했습니다.
동시에 “대국 중 이용하지 말 것”이라고 요청하고 있으며 (MIT 조건은 변경하지 않을 것이라고 명시), 공개와 악용 방지를 어떻게 양립시키는지가 계속해서 과제입니다.
| 서비스 | 시작 | 엔진 | 대응 | 요금 | 특징 |
|---|
| akochan-reviewer → mjai-reviewer (mjai.ekyu.moe) | 2020-02 | Akochan, Mortal | Tenhou・Jianhun의 패보(牌譜) URL, Mahjong Ichibanmachi・Hime Mahjong의 패보 ID, tenhou.net/6 형식 (Mortal는 사마(四麻)의 반장만 가능) | 무료 | 지표 'Rating' (각 타패의 Q 값(Q value)을 min-max 정규화한 값의 제곱 평균 ×100). Tenhou 개인실에서 Mortal을 1~3개 호출할 수 있음 |
| ... | | | | | |
| - | | | | | |
| 2020~2021년: 자발적인 오픈소스(OSS)와 전문 유료 서비스가 공존함. | | | | | |
Akochan을 사용하는 akochan-reviewer (이후 mjai-reviewer)와 NAGA의 유료 서비스이다. -
2023~2025년: 대국 사이트 공식 통합 기능 탑재.
Maru-Jan의 KIRIN, Jianhun의 MAKA가 등장했다. -
2025~2026년: 신흥 AI의 참전.
Kyokujaku(極雀), miai, Epsilon AI 리뷰어가 추가되었다. -
목적(순위점 배분)별 모델 선택이 표준 기능이 되어가고 있다.
NAGA의 7가지 유형 (Ananta=패 회피, Uroboros=최상위권 공략 등), Kyokujaku의 복수 모델, miai의 3개 모드가 그 예이다.
2022년의 미탐 프로젝트도 '네트워크 마작과 프로 마작의 순위점 차이에 따른 선택 추천'을 내세웠다. -
일치율, 악수율(Bad Hand Rate), Rating과 같은 지표는 엔진 고유이며, 서비스 간 또는 모델 간 비교가 불가능하다.
예를 들어 NAGA의 신규 유형에서는 동일한 반장의 악수율이 기존 5가지 유형의 510%에 비해 21.724.2%로 나온 사례가 보고되었다 (note. 1 반장 예시). -
검토와 실시간 지원의 경계가 모호해지고 있다.
FlyAgent나 Akagi처럼 대국 중에 조언을 제공하는 도구도 늘어나고 있으며, 대국 사이트 규약상 취급에 주의가 필요하다.
앞으로 주목해야 할 점은 다음과 같다:
-
NAGA 신규 유형, Kyokujaku, FlyA가 인간 상대의 공인된 기록을 내는지 여부.
-
대형/상용 AI가 RiichiLab과 같은 공통 장터에 등장하는지 여부.
-
Epsilon-Prism처럼 강력한 AI의 가중치(weight) 공개가 계속되는지 여부.
-
CFR 계열 기법이 자체 대전의 강화학습(RL)을 명확하게 능가하는지 여부.
-
RiichiLab의 수치는 2026-11-07 01:33 (JST)에 공개 API ( https://api.riichi.dev/api/v1/leaderboard?activity=all , activity=2m, /api/v1/bots/{id}, /api/v1/stats) 에서 가져왔다. 평균 순위는 각 bot의 1~4위 출현 횟수로부터 계산했다. - 안정 단위의 표준 오차는 델타법(Delta method)으로 계산했으며, 95% 구간은 가정된 순위 분포에서 다항분포(Poisson distribution)로 20,000회 시뮬레이션하여 구했다.
-
본문 중 '...라고 알려짐', '전해' 등은 개인 블로그나 note와 같은 이차 정보 또는 개발자의 자기 신고에 기반한 서술이다.
