2026 年 9 月・初步探索結果
換一個習慣，結果如何？
副露、防守備牌與提早做一色手。我們只改變一項決策規則，重播相同牌局，比較淨得分的變化。
首批樣本： 10 項比較・ 4,864 局模擬牌局較大規模的評估尚未完成。 這些是小規模探索；結果能支持哪些解讀，取決於下方列出的樣本與實驗設計。
這批實驗尚未顯示哪種策略明顯較好。 區間跨越零，表示本次實驗尚未確定哪種策略較好，並不代表兩者效果相同。
先選對規則。
香港新章、國標（MCR）、日本立直與台灣會所分別測試。本批次不含台灣經典；會所結果不能直接套用至經典玩法。
10 項已完成的比較。分數採用各玩法自身的單位，不宜直接跨玩法排名。
多吃碰，真的更有利嗎？
重新檢查先前的副露實驗。其他決策皆由相同進階 AI 處理，只改變接受合法組牌副露的傾向。
香港麻雀
尚無明確結果試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 進階 AI 原本的副露決策
- 受測改變
- 接受優先序最高的合法組牌副露；其他決策仍用相同進階 AI
- 平均每手淨得分
- 0.32 對照組 → -0.27 實驗組
- 胡牌率
- 26.6% → 24.6%
- 打出他人胡牌張的比率
- 14.5% → 11.3%
- 試驗策略的實際行為
- 665 次符合條件的決策；其中 540 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 158 ／ 256 配對牌局
下載配對結果（JSONL）國標麻將
尚無明確結果試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 進階 AI 原本的副露決策
- 受測改變
- 接受優先序最高的合法組牌副露；其他決策仍用相同進階 AI
- 平均每手淨得分
- -0.37 對照組 → 1.46 實驗組
- 胡牌率
- 20.3% → 25.0%
- 打出他人胡牌張的比率
- 11.3% → 12.5%
- 試驗策略的實際行為
- 706 次符合條件的決策；其中 569 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 197 ／ 256 配對牌局
下載配對結果（JSONL）應該參考誰的捨牌？
兩組在相同條件下轉守，分別比較使用全桌捨牌歷史，以及針對有威脅對手的估計方式。
日本立直麻將
模型診斷試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 依全桌合併捨牌紀錄防守
- 受測改變
- 觸發條件相同，改按有威脅的對手排列捨牌選擇
- 平均每手淨得分
- -226.17 對照組 → -173.44 實驗組
- 胡牌率
- 17.2% → 17.6%
- 打出他人胡牌張的比率
- 14.1% → 11.7%
- 試驗策略的實際行為
- 711 次符合條件的決策；其中 437 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 23 ／ 256 配對牌局
下載配對結果（JSONL）香港麻雀
尚無明確結果試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 依全桌合併捨牌紀錄防守
- 受測改變
- 觸發條件相同，改按有威脅的對手排列捨牌選擇
- 平均每手淨得分
- -0.11 對照組 → -0.07 實驗組
- 胡牌率
- 20.3% → 20.3%
- 打出他人胡牌張的比率
- 12.1% → 11.3%
- 試驗策略的實際行為
- 609 次符合條件的決策；其中 386 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 20 ／ 256 配對牌局
下載配對結果（JSONL）保留防守牌，值得放慢速度嗎？
在立直模型中，我們測試保留一張至少兩家曾打過的牌；接近聽牌或有人立直時，解除這項保留。
日本立直麻將
模型診斷試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 進階 AI 原本的捨牌
- 受測改變
- 自己捨牌六次後，若只有一張牌至少兩家曾打過，便優先保留；接近聽牌或出現立直宣告時解除
- 平均每手淨得分
- -29.3 對照組 → -72.27 實驗組
- 胡牌率
- 19.1% → 18.4%
- 打出他人胡牌張的比率
- 17.2% → 17.6%
- 試驗策略的實際行為
- 117 次符合條件的決策；其中 117 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 14 ／ 256 配對牌局
下載配對結果（JSONL）什麼時候值得偏向一種花色？
若起手某花色很多，我們測試早期優先捨棄其他花色。只改變捨牌偏好，不強迫每次副露都配合一色手。
香港麻雀
尚無明確結果試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 進階 AI 原本較靈活的捨牌
- 受測改變
- 首次決策時某花色至少八張，容許模型估計的成牌距離最多增加一級，優先打其他花色；副露或宣告後停止
- 平均每手淨得分
- -0.69 對照組 → 0.34 實驗組
- 胡牌率
- 16.8% → 16.4%
- 打出他人胡牌張的比率
- 16.8% → 16.0%
- 試驗策略的實際行為
- 46 次符合條件的決策；其中 46 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 7 ／ 256 配對牌局
下載配對結果（JSONL）台灣麻將・Hé Fēn 會所規則
尚無明確結果試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 進階 AI 原本較靈活的捨牌
- 受測改變
- 首次決策時某花色至少十張，容許模型估計的成牌距離最多增加一級，優先打其他花色；副露或宣告後停止
- 平均每手淨得分
- -0.49 對照組 → -0.45 實驗組
- 胡牌率
- 14.1% → 14.1%
- 打出他人胡牌張的比率
- 13.3% → 13.3%
- 試驗策略的實際行為
- 10 次符合條件的決策；其中 10 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 1 ／ 128 配對牌局
下載配對結果（JSONL）碰出役字刻子，還是維持門清？
門清時，接受或放過符合條件的三元牌、自風或圈風碰牌機會；其他決策仍由相同進階 AI 處理。
日本立直麻將
模型診斷試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 門清時放過符合條件的役字碰牌
- 受測改變
- 門清時接受符合條件的三元、自風或圈風碰牌；其餘仍用相同進階 AI
- 平均每手淨得分
- 41.02 對照組 → -9.38 實驗組
- 胡牌率
- 24.6% → 23.8%
- 打出他人胡牌張的比率
- 12.1% → 13.7%
- 試驗策略的實際行為
- 41 次符合條件的決策；其中 9 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 31 ／ 256 配對牌局
下載配對結果（JSONL）香港麻雀
尚無明確結果試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 門清時放過符合條件的役字碰牌
- 受測改變
- 門清時接受符合條件的三元、自風或圈風碰牌；其餘仍用相同進階 AI
- 平均每手淨得分
- -0.12 對照組 → -0.23 實驗組
- 胡牌率
- 22.7% → 19.1%
- 打出他人胡牌張的比率
- 11.7% → 13.3%
- 試驗策略的實際行為
- 45 次符合條件的決策；其中 22 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 35 ／ 256 配對牌局
下載配對結果（JSONL）國標麻將
尚無明確結果試驗組減去對照組。正值偏向支持受測改變，負值偏向支持對照策略。
確切比較方式與數據
- 對照組
- 門清時放過符合條件的役字碰牌
- 受測改變
- 門清時接受符合條件的三元、自風或圈風碰牌；其餘仍用相同進階 AI
- 平均每手淨得分
- 0.19 對照組 → -0.46 實驗組
- 胡牌率
- 22.3% → 20.7%
- 打出他人胡牌張的比率
- 12.1% → 12.9%
- 試驗策略的實際行為
- 53 次符合條件的決策；其中 17 次與預設 AI 的選擇不同。這裡計算的是決策次數，並非牌局數。
- 淨結果不同
- 48 ／ 256 配對牌局
下載配對結果（JSONL）如何閱讀這些測試
每對牌局使用相同發牌種子、受測座位與圈風，受測者輪流坐四個位置，對上三名策略不變的進階對手。每手策略重新開始。台灣會所均衡採東南西北圈，其他比較使用東圈。
主要結果是受測者每手結算後的淨得分，包含自動支付與立直供託。各手彼此獨立，不模擬整場名次、本場數、未來尚未領取的供託棒或人工桌面支付。
樣本數事先固定：一般每項 256 對，台灣會所每項 128 對。區間依配對分數差的變異以常態近似估算，屬探索性結果，未對十項比較進行多重比較校正。罕見高價值手牌可能使小樣本結果不穩定。
四次執行記錄了錯誤的軟體版本，已按原定牌局重跑。原始紀錄與排除原因見下方連結；沒有因結果不利而排除資料。
進一步了解研究方法 · 提出下一個研究問題
