实现效果

GTO Reminder / 若瑜策略研究 是面向 6–9 人、100 BB 现金桌的翻前策略学习工作台，提供中英切换、13 × 13 起手牌范围矩阵、完整行动历史、条件查询、来源与覆盖检查、学习收藏及本地摊牌胜率计算。参考范围和计算结果随静态网站按需加载，用户无需部署求解器即可查阅；自定义范围在浏览器内使用，收藏可导入导出。

在线使用 → · GitHub 源码 · 项目缘起与设计记录

技术结构

查询建模：位置之外，还要保留历史

翻前决策由人数、位置、起始筹码、前序动作、下注尺寸、抽水及树版本共同确定。快捷查询逐项匹配条件；完整历史模式按顺序重建 Fold、Call、Raise、Limp、Check 与 All-in，结合合法动作判断查询节点。相近人数、筹码或尺寸不会自动替换无匹配数据。

数据采用两套结构：v1 描述可快捷定位的标准节点；v2 增加有序行动历史、多尺寸动作、条件动作频率与历史到达权重。数据缺失、历史不可达与真实弃牌是不同状态，界面分别表达，不把未知频率补成 Fold 100%。

169 格分别对应 13 类对子、78 类同花和 78 类非同花手牌。全起手牌汇总以每类的 6 / 4 / 12 个实体组合加权，总计 1,326 个组合；完整历史节点另结合到达权重，避免将矩阵格子的简单平均误认为实际范围比例。

离线求解与数据分层

参考数据包含出版图表转录和座位投影，保留 PDF、页码、尺寸与精度信息。8 人图表色条转录约有 ±2 个百分点的测量误差；8→7 人座位投影不等于重新求解。

计算结果由项目的 Python HTTP 包装器调用独立 GTOpen 引擎生成，以独立来源记录模型、迭代、配置和质量。基础树、扩展研究树和三人入池上限模型分别保存，研究阶段的未收敛结果继续显示其状态。

其中受限模型采用固定 2.5 / 10 / 30 / 100 BB 尺寸，最多三名玩家主动入池、一次未加注 Limp，并使用近似后续价值。CFR 的模型内部误差目标只评价这套限定游戏，不等于完整多人 NLHE 的求解精度。

根据仓库 2026-10-13 数据快照：标准场景分类为 434，参考场景 325，独立计算模型 11，v2 历史决策 29,425；另有 312 个 v1 快捷节点，与历史树重叠，不合并计数。分类覆盖不等于任意下注尺寸、任意历史或完整翻后策略均已覆盖。

浏览器内模拟与条件 EV

胜率计算在 Web Worker 中运行，按小批次推进并回报进度，支持取消。模拟对手范围时按实体底牌组合采样，排除重复发牌，完成公共牌后比较七张牌牌力，平局按底池份额处理。

在仅剩单个全压对手、跟注结束下注且不存在边池等适用条件下，按明确的对手范围与抽水计算：

$$EV(\mathrm{call}) = q\,(P_{\mathrm{after}}-r)-C,$$

其中 $q$ 为摊牌底池份额，$P_{\mathrm{after}}$ 为跟注后底池，$r$ 为抽水，$C$ 为还需跟注金额。采样区间只描述模拟误差；它不覆盖对手范围和抽水假设的误差，也不生成 GTO 动作混频。

静态分发与学习状态

策略库通过 manifest 和历史索引定位分片，在浏览器解压 gzip JSON；大型树采用三片上限的内存缓存。发布包约 71.6 MiB，其中策略 gzip 约 19.3 MiB、三份参考 PDF 约 52.3 MiB；原 PDF 按打开需求加载，首屏不下载整库。

收藏保留查询、手牌、行动历史与来源身份，不复制整个策略包。再次打开时若来源缺失或改变，界面提示重新选择；个人导入范围不会上传到服务器，跨设备学习通过收藏导入导出完成。

当前边界与来源

现阶段围绕 6–9 人、100 BB 翻前学习构建，任意后手、连续下注尺寸、完整多人行动树、翻后与 ICM 不属于已完成范围。项目重点是明确条件、解释数据与组织学习过程。

• 项目说明与当前数据口径
• 本机求解、限定树与模型精度
• 收藏与条件 EV 方法
• 静态分发实现

撰写依据：仓库 ffa8e6c（2026-10-14）及在线产品。项目封面为概念配图，不是界面截图或实际策略数据。第三方求解引擎与参考图表的贡献保留在项目来源说明中。