novastar112/s_v5_hard_200k_within20step

--- pretty_name: S V5 Hard 200k Within20step task_categories: - reinforcement-learning - other tags: - sokoban - synthetic-data - visgym - move-only - hard size_categories: - 100K<n<1M configs: - config_name: default data_files: - split: train path: trajectories/sokoban_hard/train/*.jsonl.gz - split: test path: trajectories/sokoban_hard/test/*.jsonl.gz --- # s_v5_hard_200k_within20step Hard Sokoban move-only dataset generated with the `novastar111/s_v5_move_only_remap_prev` record layout. ## Contents - Train: `200000` records in `trajectories/sokoban_hard/train/*.jsonl.gz` - Test: `200` records in `trajectories/sokoban_hard/test/*.jsonl.gz` - Environment: `sokoban/hard` - Environment kwargs: `{"action_mode": "move_only", "max_steps": 40}` - Accepted trajectory length: `len(history) <= 20` - Rollout limit used by the environment: `max_steps = 40` - Action schema: `sokoban_move_only_v2` - Image policy: every history step has `image_prev == image` ## Hash Checks The dataset includes: - `metadata/test_init_state_hashes.json` - `metadata/train_init_state_hashes.json` - `metadata/train_vs_test_hash_report.json` - `metadata/train_within_split_hash_report.json` - `metadata/test_within_split_hash_report.json` Example usage: ```python import json from pathlib import Path root = Path("/path/to/dataset") train_hashes = set(json.loads((root / "metadata/train_init_state_hashes.json").read_text())["sokoban_hard"]) test_hashes = set(json.loads((root / "metadata/test_init_state_hashes.json").read_text())["sokoban_hard"]) assert len(train_hashes) == 200000 assert len(test_hashes) == 200 assert train_hashes.isdisjoint(test_hashes) ``` Validate record-level invariants: ```python import json from pathlib import Path for path in (Path("/path/to/dataset") / "trajectories/sokoban_hard/train").glob("batch_*.jsonl"): for line in path.open(): row = json.loads(line) assert len(row["history"]) <= 20 assert row["action_schema_version"] == "sokoban_move_only_v2" for step in row["history"]: assert step["image_prev"] == step["image"] assert step["action_raw"].startswith("('move', ") or step["action_raw"] == "('stop', 'stop')" ```Hard Sokoban move-only dataset generated with the `novastar111/s_v5_move_only_remap_prev` record layout.

搜集汇总

数据集介绍

构建方式

在强化学习与规划任务中，Sokoban 因组合复杂度与不可逆状态转移而成为检验序贯决策能力的基准。该数据集围绕 hard 难度 Sokoban 构建，沿用 novastar111/s_v5_move_only_remap_prev 的记录布局，在 sokoban/hard 环境中以 move_only 动作模式执行 rollout，并将环境上限设为 max_steps=40。仅接纳 len(history)<=20 的轨迹，使样本聚焦于二十步内可完成的短程求解过程；训练集含 200000 条记录，测试集含 200 条记录，按 JSONL GZ 分片保存。动作模式遵循 sokoban_move_only_v2，且每个历史步满足 image_prev 与 image 相同。初始状态哈希文件与划分报告用于约束数据生成与切分。

特点

Sokoban 合成数据常用于离线强化学习、搜索策略学习与表征泛化研究，而该数据集的显著特征在于硬难度与短程轨迹的并置。其规模处于 100K 至 1M 区间，训练样本达 200000 条，测试样本为 200 条，形成明显非对称划分。轨迹历史长度不超过 20，环境 rollout 上限为 40，动作空间采用 move_only 模式，动作 schema 为 sokoban_move_only_v2。图像策略要求每个历史步 image_prev 等于 image，降低了前后帧视觉差异。metadata 目录提供训练与测试初始状态哈希、训练测试哈希报告及划分内哈希报告，可支持初始状态去重与泛化评估。

使用方法

面向离线强化学习、序列建模与 Sokoban 策略评估，该数据集可按 HuggingFace 配置 default 读取，训练与测试文件分别位于 trajectories/sokoban_hard/train 和 test 下的 JSONL GZ 分片。使用时可先读取 metadata 中 train_init_state_hashes 与 test_init_state_hashes，确认训练集 200000、测试集 200，并校验两者初始状态哈希不相交。记录级验证需逐行解析 JSONL，检查 len(history)<=20、action_schema_version 为 sokoban_move_only_v2，且每步 image_prev 等于 image；动作原始值应表现为 move 动作元组或 stop 元组。该流程有助于保证训练与评测协议一致，适用于短程决策、状态泛化和策略泛化分析。

背景与挑战

背景概述

在强化学习与组合规划研究中，Sokoban长期作为检验长程推理、状态空间搜索与稀疏奖励决策的经典基准。s_v5_hard_200k_within20step 是一套面向困难Sokoban环境的仅移动动作合成轨迹数据集，采用 novastar111/s_v5_move_only_remap_prev 记录布局，含200000条训练记录与200条测试记录。其环境参数为 action_mode 为 move_only、max_steps 为40，接受历史长度不超过20的轨迹，动作模式为 sokoban_move_only_v2，且每步图像满足 image_prev 等于 image。公开卡片未载明创建时间与主要研究人员或机构，故无法据实归因；其核心问题在于以有限步移动操作逼近困难推箱子求解，并为离线强化学习、世界模型及规划研究提供可校验的大规模轨迹资源。

当前挑战

面向困难Sokoban的序列决策任务，该数据集所映射的领域难题包括组合状态空间巨大、奖励稀疏、移动不可逆、死锁频发以及长程信用分配困难；move_only 动作约束与20步历史上限进一步压缩了解空间，使策略须在有限交互内辨识可行推箱序列。构建层面的挑战在于合成二十万条满足长度上限与动作模式一致的轨迹，并维持每步 image_prev 等于 image 的图像策略；同时须通过初始状态哈希校验、训练集内部与测试集内部去重以及训练测试不相交检验，抑制数据泄漏与重复初始状态，保障测试集虽仅有200条仍具评估独立性。

常用场景

经典使用场景

在组合规划与强化学习交叉领域，s_v5_hard_200k_within20step以其硬难度Sokoban、仅移动动作与二十步内轨迹约束，构成离线策略学习的典型资源。研究者常将其用于行为克隆、离线强化学习与序列决策建模，令智能体依据历史图像与动作预测下一步移动或停止。其二十万条训练轨迹与二百条测试轨迹，适合训练决策变换器、世界模型及短视界规划器，并在哈希校验保障下评估模型对未见初始状态的泛化能力。

解决学术问题

面对Sokoban类任务中稀疏奖励、长视界信用分配与组合爆炸的长期困扰，该数据集以合成轨迹和二十步历史截断，将研究焦点收缩至短程规划与状态转移建模。它缓解了高质量离线轨迹稀缺、训练测试泄漏与可复现性不足等问题，动作模式限定为move-only，亦有助于隔离动作空间复杂度对算法比较的干扰。其意义在于为离线强化学习、模仿学习与规划算法提供可控基准，推动对短视界决策和硬组合问题的可重复研究。

衍生相关工作

沿着合成数据驱动强化学习的脉络，该数据集与VisGym、s_v5_move_only_remap_prev记录布局及Sokoban求解器生态形成关联。其短轨迹、动作模式与哈希元数据，常被后续研究用于构建离线强化学习基准、决策变换器训练流程和图像条件策略评估任务。公开信息尚未指向单一经典论文，但可预期其推动短视界Sokoban规划、合成轨迹增强学习以及可复现基准工具等相关工作的衍生与发展。