💻 computer science

Effective Wordle Heuristics

该论文指出，通过简单的启发式方法可以快速生成有效的 Wordle 策略，且仅猜测可能的解词而非生僻词几乎不会降低胜率，从而克服了以往穷举搜索耗时过长且策略不实用的问题。

原作者： Ronald I. Greenberg

发布于 2026-02-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Ronald I. Greenberg

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是一位**“猜词游戏策略大师”写给普通玩家的实用指南。作者 Ronald Greenberg 发现，虽然用超级计算机穷尽所有可能来寻找 Wordle 的“完美解法”理论上很厉害，但太慢、太贵，而且算出来的第一步词（比如"salet"）太生僻，普通人根本猜不到**。

于是，他提出了一套**“快、准、狠”的简单策略，甚至每天都能重新算一次，而且只猜那些大家熟悉的、真正可能是答案的单词**。

为了让你更容易理解，我们可以把玩 Wordle 想象成**“在黑暗中找一把特定的钥匙”**。

1. 以前的“笨办法”：拿着地图找所有路

以前的研究者（比如那些用穷举法的人）就像是在黑暗中，试图画出每一寸土地的地图。

做法：他们计算了所有可能的组合，找出了理论上平均猜词次数最少的策略。
缺点：
- 太慢：算一次要花好几天，甚至几周。
- 太偏：为了追求那一点点理论上的优势，他们建议第一步猜像"salet"（一种旧式帽子）或"tarse"（一种化学术语）这样的词。这就好比你为了找钥匙，第一把就掏出一把生锈的、形状怪异的铁片，虽然理论上它能打开某种锁，但普通人根本没见过，也不觉得它像钥匙。
结论：这种“完美策略”虽然数学上很完美，但不接地气。

2. 作者的“聪明办法”：用手电筒照出“房间”

作者提出了一种**“分房间”的比喻。
想象你面前有一大堆可能的钥匙（3000 多个单词）。你猜一个词，就像是用手电筒照过去，根据反馈（绿、黄、灰），把剩下的钥匙分成不同的“房间”**（也就是“桶”或“篮子”）。

核心策略（Negnumbins）：
- 目标：你的目标不是让某个房间特别小，而是要把钥匙尽可能均匀地分到最多的房间里。
- 比喻：如果你猜一个词，结果把所有钥匙都分到了 100 个不同的房间里，每个房间只有几把钥匙，那你下一步就非常容易猜中。如果你猜的词导致所有钥匙都挤在 1 个大房间里，那你就白猜了。
- 简单说：“把可能性切得越碎越好”。
为什么只猜“熟悉”的词？
- 作者发现，如果你只从**“可能是答案的单词列表”**里选词（而不是用那些生僻的、只用来试探的词），效果几乎和“完美策略”一样好。
- 比喻：与其拿一把生僻的怪钥匙去试，不如直接拿一把看起来最像真钥匙的普通钥匙去试。虽然理论上怪钥匙可能多打开 0.01% 的可能性，但在实际游戏中，用熟悉的词（比如"raise"或"trace"）不仅猜得准，而且算得飞快（几秒钟就能算出今天的最佳策略）。

3. 每天都能“刷新”策略

Wordle 的一个特点是**“不重复”**（以前每天不重复用词）。

以前的做法：算一次完美的策略要用好几天，根本来不及每天更新。
作者的做法：因为他的算法很快（几秒钟），所以每天都可以重新计算。
- 想象一下，如果昨天有人猜了"apple"，那么今天的策略就会自动把"apple"从候选名单里剔除，重新计算剩下的词怎么分房间最均匀。
- 这就好比你的**“导航仪”**每天都能根据昨天的路况，重新规划一条今天的最快路线。

4. 关于“困难模式”（Hard Mode）

在困难模式下，规则更严：你猜出的绿字和黄字，下次必须保留。

挑战：这时候“分房间”的策略稍微有点不够用，因为你的选择变少了。
发现：作者发现，在困难模式下，单纯看“房间数量”不够，还需要看**“房间里的钥匙长得像不像”**。
- 比喻：如果一个大房间里全是长得一模一样的钥匙，那很难区分；如果钥匙长得千奇百怪，就容易区分。
- 作者组合了一些策略，虽然困难模式下的表现不如普通模式那么完美（偶尔需要猜 8-9 次），但已经非常接近人类能做到的极限了。

5. 总结：为什么这很重要？

这篇论文告诉我们：

不需要做数学天才：你不需要去算那些复杂的熵（Entropy）或者穷尽所有可能。
简单即高效：只要遵循**“把可能性分得越碎越好”的原则，并且只猜大家熟悉的词**，就能在绝大多数情况下用很少的步数猜中。
动态调整：因为计算很快，我们可以每天根据“已经用过的词”来调整策略，这比死记硬背一个“固定开局”要聪明得多。

一句话总结：
玩 Wordle 不需要背生僻词，也不需要超级计算机。只要学会**“把剩下的可能性切得越碎越好”，并且每天根据昨天的情况灵活调整**，你就能像专家一样轻松通关。作者甚至每天在网站上更新这种“今日最佳策略”，让普通玩家也能享受这种“上帝视角”的快感。

以下是基于 Ronald I. Greenberg 所著论文《Effective Wordle Heuristics》（有效的 Wordle 启发式策略）的详细技术总结：

1. 问题背景 (Problem)

Wordle 是一款流行的网页文字游戏，玩家需在 6 次尝试内猜出一个 5 字母单词。每次猜测后，字母会根据位置正确性显示为绿色（G）、黄色（Y）或灰色（B）。

现有挑战：
- 计算成本高昂：此前寻找最优策略（最小化平均猜测次数）通常采用穷举搜索（Exhaustive Search），计算耗时极长（甚至需要数天），难以每日重新运行。
- 策略不实用：已知的最优策略（如以 "salet" 或 "tarse" 开头）往往使用生僻词汇，普通玩家难以接受或记忆。
- 动态环境：Wordle 的解词列表随时间演变（从 2315 词扩展到 3158 词），且官方承诺不重复使用解词（直到 2026 年 2 月才开始尝试复用），这意味着需要一种能快速生成每日新策略的方法。

2. 方法论 (Methodology)

本文提出了一种基于简单启发式规则（Simple Heuristics）的快速策略生成方法，核心思想是将猜测后的可能解词集合划分为不同的“桶”（Bins），每个桶对应一种颜色反馈模式（如 GYBBB）。

核心约束：
- 猜测词限制：策略仅从可能的解词列表（Solution List）中选择猜测词，而非使用更广泛的生僻猜测词列表。这提高了策略的实用性。
- 硬模式支持：在“硬模式”（Hard Mode，即后续猜测必须包含已确认的绿/黄字母）下，算法会优先选择符合约束的词。
- 动态更新：算法可每日运行，排除已使用过的解词，适应列表变化。
启发式规则评估指标：
作者测试了多种基于桶大小分布的启发式规则（旨在最小化某种度量）：
1. negnumbins：最小化桶的数量（即最大化 $L_0$ 范数，使解词尽可能分散到更多不同的反馈模式中）。
2. negentropy：最小化负熵（即最大化信息熵，对应 $L_p$ 在 $p=1$ 时的导数，是 WordleBot 的基础）。
3. expbinsize：最小化包含解词的桶的期望大小（对应 $L_2$ 范数）。
4. Linfinity：最小化最大桶的大小（ $L_\infty$ 范数），并引入平局打破规则（考虑次大桶等）。
5. negnumsingletons：最小化大小为 1 的桶的负数量（对应 $L_{-\infty}$ 范数）。
6. maxsimilarity & maxonediffs：最小化桶内单词间的相似度或单字母差异对的数量，作为平局打破机制。
执行流程：
1. 选择起始词（基于上述启发式规则）。
2. 根据反馈将剩余解词分桶。
3. 在下一轮中，从剩余解词中选择能最好地优化目标函数的词。
4. 若启发式评分相同，优先选择符合硬模式约束的词；若桶分布全为 1，则停止搜索。

3. 关键贡献 (Key Contributions)

实用性策略：证明了仅使用常见解词（而非生僻词）作为猜测词，性能损失极小。这使得策略对普通玩家更具可操作性。
计算效率：将策略生成时间从“数天”缩短至“数秒”，使得每日动态生成策略成为可能，能够实时适应已使用的单词。
启发式规则对比：系统性地比较了多种启发式规则。发现最大化桶数量（negnumbins）通常优于传统的最大化熵（negentropy）策略。
硬模式优化：针对硬模式（Superhard Mode），发现单一启发式规则效果不佳，但通过组合启发式（如 negnumbins 结合 maxonediffs 或 maxsimilarity）可以显著提升性能。
历史数据利用：展示了随着时间推移，排除已使用单词后，平均猜测次数会进一步下降。

4. 实验结果 (Results)

普通模式 (Regular Mode)

基于 2315 词和 3158 词解词列表的测试结果（表 2 & 表 3）：

最佳策略：negnumbins（最大化桶数量）配合 expectation（期望桶大小）作为平局打破规则表现最佳。
- 在 2315 词列表中，平均猜测次数为 3.4600，最大猜测次数为 6。
- 在 3158 词列表中，平均猜测次数为 3.6089，最大猜测次数为 7（仅针对新增的少数单词）。
对比：传统的最大化熵策略（negentropy，如以 "raise" 开头）表现略逊于 negnumbins（3.4955 vs 3.4600）。
组合策略：组合启发式（如 negnumbins-expectation）能进一步将平均猜测次数降低至 3.4553。

硬模式 (Hard Mode)

单一启发式在硬模式下表现较差。
最佳组合：negnumbins 与 maxonediffs（最小化桶内单字母差异对）或 maxsimilarity 的组合效果最好。
- 在 2315 词列表中，平均猜测次数约为 3.53，但最大猜测次数达到 8（相比之下，穷举搜索的最优策略最大仅需 5 次）。
- 这表明启发式方法在硬模式下的最坏情况（Worst-case）性能仍不如穷举搜索，但在平均性能上表现良好。

历史适应性

随着已使用单词被排除，平均猜测次数从 3.6089 降至 3.4905（2315 词列表排除旧词后甚至可降至 3.2625）。
由于纽约时报（NYT）极少使用扩展列表中的新词，基于旧词列表的策略依然非常有效。

5. 意义与结论 (Significance & Conclusion)

理论修正：挑战了“最大化熵”是最佳策略的普遍认知。在 Wordle 的特定语境下（假设所有解词等概率），最大化桶的数量（即尽可能区分出更多的反馈模式）是更有效的启发式。
工程价值：提供了一种轻量级、可每日运行的算法，能够平衡计算效率与游戏性能，且生成的策略（使用常见词）更符合人类玩家的直觉。
局限性：在硬模式的最坏情况（最大猜测次数）上，启发式方法仍无法完全达到穷举搜索的最优水平，这为未来研究（如更复杂的树剪枝或混合策略）留下了空间。
实际应用：作者已基于此研究开发了每日更新的策略生成器（http://rig.cs.luc.edu/~rig/wordle），供玩家使用。

总结：该论文证明了通过简单的启发式规则（特别是最大化桶数量），可以在极短的时间内生成高质量的 Wordle 策略，且无需使用生僻词汇。这种方法不仅计算高效，还能适应游戏列表的动态变化，是解决此类组合优化问题的实用范例。