O que é jogo super sus na prática
É um projeto open source que simula partidas de Among Us com IA usando bibliotecas padrão do Python. A ideia central é treinar agentes autônomos para tomar decisões em tempo real dentro de um mapa gerado proceduralmente. Você baixa o repositório, instala as dependências com pip e roda um script de treino que gera logs de partida. O código usa PyTorch para a rede neural e Umaze como backend de simulação. Não há interface gráfica polida; você trabalha diretamente com arquivos de configuração YAML e observa os episódios serem gravados em formato JSON. Quem nunca configurou um ambiente virtual antes tende a perder uma tarde inteira com dependências quebradas. Use venv e nunca instale os pacotes globalmente.
Como configurar e baixar jogo super sus
A instalação leva em média doze minutos em uma máquina com 8GB de RAM. O passo a passo direto é: clonar o repositório oficial, criar um venv, instalar com pip install -r requirements.txt, copiar o arquivo de exemplo config/default.yaml para config/meu_projeto.yaml e ajustar as linhas game.map_size, training.episode_length e network.hidden_dim. Se você pular a etapa de copiar o config, o script vai falhar silenciosamente e gerar um arquivo de log vazio. Anota isso. O download dos pesos pré-treinados está na seção releases do GitHub. Baixe o arquivo weights_epoch_5000.pt antes de rodar qualquer inferência. Sem ele, o agente começa do zero e você precisa de pelo menos oito horas de treino em GPU dedicada para ver comportamento minimamente competitivo. Em CPU, esse tempo sobe para mais de quarenta horas. Não tente.
Problema real que eu encontrei e solução
Na terceira vez que rodei o treino, o agente de impostor simplesmente parava no centro do mapa e ficava parado por vinte minutos seguidos. O reward não subia, a accuracy caía para baixo de quarenta por cento e os logs mostravam ação nula. A causa raiz era um bug de normalização no canal de movimento relativo: a rede recebia coordenadas sem scaling e o gradiente explodia. A solução foi adicionar um parâmetro normalizer.scale = 0.1 no config e reiniciar o treino com warm start carregando os pesos de epoch 1000. O agente voltou a navegar em cerca de trinta minutos de simulação. Se você não patches esse ajuste, perde o dia todo achando que é hardware.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Insights que manuais não contam
A maioria dos tutoriais recomenda aumentar hidden_dim para melhorar a performance. Na prática, redes com mais de duzentos neurônios tendem a overfit no mapa atual e esquecem de aprender rotas alternadas. Eu prefiro travar hidden_dim em cento e vinte e aumentar o número de maps de treinamento. A generalização melhora visivelmente a partir de epoch 3000. Outro ponto cego: o parâmetro vision.range afeta diretamente a taxa de detecção de corpos. Manter em setenta pontos funciona para mapas pequenos, mas em mapas grandes o agente ignora eventos de emergência porque simplesmente não vê. Ajustar para noventa e cinco corrige isso, mas introduz delay de reação. Teste ambos os valores e anote o trade-off. Não existe configuração universal.
Limitações que ninguém divulga
O jogo super sus não escala bem para mais de quatro agentes sem dividir o processamento em múltiplos containers. Se você tentar rodar seis agentes na mesma instância, a memória RAM estoura e o processo é finalizado pelo sistema. A workaround oficial é usar o modo distributed com Ray, mas a documentação ainda está incompleta para versões anteriores à 2.1.0. Se o seu objetivo é produção, considere usar o fork maintainer/agent-v2 que já traz orquestração nativa. Além disso, a métrica de sucesso usada nos paper não reflete a dificuldade real de partidas casuais. Agentes alcançam win rate acima de sessenta por cento contra IA básica, mas caem para menos de trinta contra humanos experientes. Isso acontece porque o treino não simula comportamento humano imprevisível. Se você quer testar robustez, importe o dataset de replay de partidas reais e fine-tune por pelo menos mil episódios adicionais.
Resumo técnico rápido
Configure o ambiente com venv, ajuste config/meu_projeto.yaml, baixe os pesos pré-treinados, patch a normalização de movimento e monitore os logs de reward a cada cincocentos episódios. Espere entre doze e vinte minutos para a primeira instalação bem-sucedida e reserve pelo menos oito horas de GPU para treino do zero. Evite hidden_dim acima de cento e vinte e teste vision.range entre setenta e noventa e cinco conforme o tamanho do mapa. Para mais de quatro agentes, use o fork distribuído.
