Talos-XII: 用 Rust 手写自动求导 + 小型 RL/MLP 堆栈，应用于抽卡概率建模（不使用 tch-rs/ndarray/PyTorch）——寻求 ARM/AVX-512/GPU 上的基准测试帮助 [P]

Talos-XII 是一个专为《明日方舟：终末地》抽卡系统设计的命令行模拟器。它不是从静态概率表中采样，而是训练一小套神经网络来建模环境不确定性和抽卡决策策略，然后用它们来回答静态表难以表述的问题——例如，“作为零氪玩家，仅靠免费货币获得概率提升角色的概率是多少？”或“考虑到当前的保底计数，我应该继续抽还是留到下一个卡池？” 模型（首次运行时训练，约30-45秒，然后缓存到磁盘） • EnvNet — 小型多层感知器，拟合环境噪声/偏差分布，每次模拟采样 • Luck Optimizer — 对32维人工特征向量（保底进度、连续次数、交互项）进行神经优化 • Dueling DQN — 离散的抽/等待决策 • PPO Actor-Critic — 带有MLA（潜在注意力）Transformer用于连续策略 底层一切均为手写，无外部机器学习框架： • 自定义自动求导引擎（矩阵乘法、二维卷积、池化、归一化、梯度校验反向传播） • 运行时 SIMD 调度：标量→AVX2→AVX2+FMA→AVX-512，ARM64 上的 NEON • 使用 Rayon 并行的模拟（笔记本上约 10k+/秒） • BF16 推理缓存 • 可选 PyO3 桥接（导入 talos_xii as tx），无需 NumPy/PyTorch 即可编写训练脚本 • 142 项测试，跨 Linux/Windows/macOS 的 CI，ARM64 交叉编译，单个静态二进制文件，MIT 许可 我不太确定的部分 有一个我称之为 ACHF（自适应缓存感知超连接）的组件：它通过梯度敏感门将密集路径与剪枝稀疏路径融合，添加流形（Sinkhorn）权重投影，并根据测量延迟在缓存/稀疏/密集执行路径之间切换。灵感大致源自流形约束超连接，但面向不同的场景——在单个二进制文件内、在 CPU 上运行的紧凑型强化学习策略，而非大规模训练。我还不知道速度与精度的权衡在我以外的机器上是否成立。我将其视为一个开放实验，而非结果。 寻求帮助的地方 我只有自己的硬件可用，因此基准测试覆盖范围很小。仓库中有一个自动化的基准测试套件，报告平均值±标准差及95%置信区间、每路径延迟分布（p50/p90/p99）、训练曲线和原始 CSV 文件——说明在 README 中。如果有人愿意在不同的 CPU（AVX-512、ARM NEON）或 GPU 设置上运行它，我将衷心感谢提供的数据——负面结果（ACHF 在你的硬件上没有帮助）与正面结果同样对我有用。 仓库：github.com/zayokami/Talos-XII 独立项目，旨在从头学习 Rust 和机器学习基础。乐于回答任何关于实现细节的问题。