Un equipo de investigación ha publicado resultados significativos en el desarrollo de estrategias autónomas para el juego de puzles Drop7, un título considerado uno de los mejores juegos de lógica de la historia. El objetivo central es superar el récord actual de 1 millón de puntos, alcanzado por jugadores humanos expertos mediante el uso de tablas de búsqueda de profundidad 4 con aprendizaje por refuerzo. Los resultados, datados de septiembre de 2026, indican que un evaluador aprendido, entrenado mediante diferencias temporales en un motor en Rust, ha superado a la hoja de búsqueda estándar (fair leaf) en pruebas de desarrollo público. En un conjunto de 256 juegos nunca vistos, el evaluador aprendido obtuvo 484.577 puntos frente a los 314.438 del sistema estándar, con una ventaja estadísticamente significativa. Aunque el margen de mejora no alcanza la meta de un millón de puntos, estos hallazgos demuestran la viabilidad de integrar redes neuronales pequeñas en la evaluación de tablas de búsqueda. La investigación continúa explorando la profundidad de la búsqueda y la adaptación de las tablas a los estados finales del tablero, buscando optimizar el rendimiento en juegos de mayor complejidad.
