fix: replace attached '~' (approx) with ≈ so HF markdown stops rendering it as strikethrough; backtick 'T ~ U' notation

README.ko.md

@@ -1,86 +1,86 @@
----
-license: cc-by-4.0
-tags:
-  - reinforcement-learning
-  - unity-ml-agents
-  - minari
-  - causal-gpt-rl
----
-
-# Causal GPT-RL — Unity ML-Agents 궤적
-
-모델이 제거된 Unity 빌드를 스톡 정책으로 외부 제어해 수집한 궤적을
-[Minari](https://minari.farama.org) 0.5.3 형식으로 제공합니다. 공개된 환경,
-데이터셋, 스톡 정책은 모두 **ML-Agents `release_23`** 기준입니다.
-
-## 데이터셋
-
-| Dataset id | Episodes | Transitions | Observation | Action |
-|---|---:|---:|---|---|
-| `unity/crawler/expert-v0` | 1,048 | 1,000,002 | `Tuple(Box(126), Box(32))` | `Box(20)` |
-| `unity/pushblock/expert-v0` | 52,801 | 1,000,000 | `Tuple(Box(105), Box(105))` | `Discrete(7)` |
-| `unity/soccer-twos/expert-v0` | 14,588 | 1,000,816 | ego `Dict(Tuple(Box(264), Box(72)))` | ego `Dict(MultiDiscrete([3,3,3]))` |
-| `unity/dungeon-escape/expert-v0` | 35,787 | 1,003,523 | ego `Dict(Tuple(Box(10), Box(360), Box(1)))` | ego `Dict(Discrete(7))` |
-| `unity/3dball-hard/expert-v0` | 1,009 | 1,000,008 | `Tuple(Box(27), Box(18))` | `Box(2)` |
-| `unity/pyramids/expert-v0` | 5,348 | 1,000,000 | `Tuple(Box(56), Box(56), Box(56), Box(4))` | `Discrete(5)` |
-| `unity/worm/expert-v0` | 1,000 | 1,000,000 | `Box(64)` | `Box(9)` |
-| `unity/walker/expert-v0` | 1,458 | 1,000,010 | `Box(243)` | `Box(39)` |
-
-각 데이터셋은 `<환경>/<tier>/data/main_data.hdf5`와 `metadata.json`으로
-구성됩니다. 관측 센서는 의미가 섞이지 않도록 별도의 `Tuple` leaf로 보존하며,
-센서가 하나인 환경은 단일 `Box`를 사용합니다.
-
-SoccerTwos와 DungeonEscape는 공유 정책을 사용하는 분산형 다중 에이전트
-환경입니다. 각 물리 에이전트는 ego episode 하나로 저장되며, 같은 경기나 협동
-그룹은 함께 제공되는 match/group metadata로 연결됩니다.
-
-DungeonEscape·SoccerTwos·Pyramids·Crawler·PushBlock·3DBallHard·Worm·Walker는
-`expert` 외에 스톡 정책을 점진적으로 열화시킨 `medium`/`simple` 품질 래더
-티어도 제공합니다. 티어는 Minari 정규화 스킬 기준(`simple` ~0.60, `medium` ~0.80,
-`expert` = 1.0)으로 보정됩니다. 열화 방식은 씬에 따라 다릅니다(seed 2310000) —
-연속 제어 씬은 에피소드마다 보정된 가우시안 노이즈 범위를 씁니다. 단일 에이전트
-목표 게임인 PushBlock과 Pyramids는 정책 자체 로짓에 대한 softmax temperature
-`T`(`softmax(logits/T)`)를 보정된 범위에서 **에피소드마다** 샘플링(각 에피소드가
-자체 스킬 레벨)합니다. 협동 DungeonEscape은 경기마다 보정된
-범위에서 softmax temperature `T`를 **그룹 단위로** 샘플링해(그룹의 세 에이전트가
-같은 `T`를 공유 — 한 시점의 초기 체크포인트처럼 하나의 일관된 스킬 레벨) 역시
-step-reward로 채점하며, 자기대전 SoccerTwos는 매치마다 팀별로 softmax temperature
-`T`를 (더 넓은) 보정 범위에서 **독립 샘플링**합니다(두 팀이 독립적으로 뽑아 매치마다
-실력차가 생김 — 여러 체크포인트가 붙는 리그전처럼). 목표
-게임은 에피소드 리턴이 이봉(해결 vs 타임아웃)이라 **step-reward**(리턴/길이)로
-채점합니다. 각 티어 평균은 목표에 맞으면서 에피소드들이 스킬 스펙트럼을 연속적으로
-덮습니다. 티어별 수치는 영문 카드(README.md)의 per-environment quality ladder
-표를 참고하세요.
-
-## 동반 저장소
-
-- 모델 제거 Unity 빌드와 스톡 ONNX:
-  [ccnets/causal-gpt-rl-unity-envs](https://huggingface.co/datasets/ccnets/causal-gpt-rl-unity-envs)
-- 학습된 Causal GPT-RL 정책:
-  [ccnets/causal-gpt-rl-unity](https://huggingface.co/ccnets/causal-gpt-rl-unity)
-- 수집 및 Minari 패키징 코드:
-  [examples/unity_collection](https://github.com/ccnets-team/causal-gpt-rl/tree/main/examples/unity_collection)
-
-## 로드 예시
-
-```python
-from pathlib import Path
-from huggingface_hub import snapshot_download
-import minari
-
-root = Path.home() / ".minari" / "datasets" / "unity"
-snapshot_download(
-    repo_id="ccnets/causal-gpt-rl-unity-datasets",
-    repo_type="dataset",
-    allow_patterns="crawler/**",
-    local_dir=root,
-)
-dataset = minari.load_dataset("unity/crawler/expert-v0")
-print(dataset.total_episodes, dataset.total_steps)
-```
-
-## 라이선스
-
-궤적 데이터는 Creative Commons Attribution 4.0 International
-(CC-BY-4.0)로 배포됩니다. *ccnets — Causal GPT-RL*과 Unity ML-Agents 원본
-환경을 표기해 주세요.
+---
+license: cc-by-4.0
+tags:
+  - reinforcement-learning
+  - unity-ml-agents
+  - minari
+  - causal-gpt-rl
+---
+
+# Causal GPT-RL — Unity ML-Agents 궤적
+
+모델이 제거된 Unity 빌드를 스톡 정책으로 외부 제어해 수집한 궤적을
+[Minari](https://minari.farama.org) 0.5.3 형식으로 제공합니다. 공개된 환경,
+데이터셋, 스톡 정책은 모두 **ML-Agents `release_23`** 기준입니다.
+
+## 데이터셋
+
+| Dataset id | Episodes | Transitions | Observation | Action |
+|---|---:|---:|---|---|
+| `unity/crawler/expert-v0` | 1,048 | 1,000,002 | `Tuple(Box(126), Box(32))` | `Box(20)` |
+| `unity/pushblock/expert-v0` | 52,801 | 1,000,000 | `Tuple(Box(105), Box(105))` | `Discrete(7)` |
+| `unity/soccer-twos/expert-v0` | 14,588 | 1,000,816 | ego `Dict(Tuple(Box(264), Box(72)))` | ego `Dict(MultiDiscrete([3,3,3]))` |
+| `unity/dungeon-escape/expert-v0` | 35,787 | 1,003,523 | ego `Dict(Tuple(Box(10), Box(360), Box(1)))` | ego `Dict(Discrete(7))` |
+| `unity/3dball-hard/expert-v0` | 1,009 | 1,000,008 | `Tuple(Box(27), Box(18))` | `Box(2)` |
+| `unity/pyramids/expert-v0` | 5,348 | 1,000,000 | `Tuple(Box(56), Box(56), Box(56), Box(4))` | `Discrete(5)` |
+| `unity/worm/expert-v0` | 1,000 | 1,000,000 | `Box(64)` | `Box(9)` |
+| `unity/walker/expert-v0` | 1,458 | 1,000,010 | `Box(243)` | `Box(39)` |
+
+각 데이터셋은 `<환경>/<tier>/data/main_data.hdf5`와 `metadata.json`으로
+구성됩니다. 관측 센서는 의미가 섞이지 않도록 별도의 `Tuple` leaf로 보존하며,
+센서가 하나인 환경은 단일 `Box`를 사용합니다.
+
+SoccerTwos와 DungeonEscape는 공유 정책을 사용하는 분산형 다중 에이전트
+환경입니다. 각 물리 에이전트는 ego episode 하나로 저장되며, 같은 경기나 협동
+그룹은 함께 제공되는 match/group metadata로 연결됩니다.
+
+DungeonEscape·SoccerTwos·Pyramids·Crawler·PushBlock·3DBallHard·Worm·Walker는
+`expert` 외에 스톡 정책을 점진적으로 열화시킨 `medium`/`simple` 품질 래더
+티어도 제공합니다. 티어는 Minari 정규화 스킬 기준(`simple` ≈0.60, `medium` ≈0.80,
+`expert` = 1.0)으로 보정됩니다. 열화 방식은 씬에 따라 다릅니다(seed 2310000) —
+연속 제어 씬은 에피소드마다 보정된 가우시안 노이즈 범위를 씁니다. 단일 에이전트
+목표 게임인 PushBlock과 Pyramids는 정책 자체 로짓에 대한 softmax temperature
+`T`(`softmax(logits/T)`)를 보정된 범위에서 **에피소드마다** 샘플링(각 에피소드가
+자체 스킬 레벨)합니다. 협동 DungeonEscape은 경기마다 보정된
+범위에서 softmax temperature `T`를 **그룹 단위로** 샘플링해(그룹의 세 에이전트가
+같은 `T`를 공유 — 한 시점의 초기 체크포인트처럼 하나의 일관된 스킬 레벨) 역시
+step-reward로 채점하며, 자기대전 SoccerTwos는 매치마다 팀별로 softmax temperature
+`T`를 (더 넓은) 보정 범위에서 **독립 샘플링**합니다(두 팀이 독립적으로 뽑아 매치마다
+실력차가 생김 — 여러 체크포인트가 붙는 리그전처럼). 목표
+게임은 에피소드 리턴이 이봉(해결 vs 타임아웃)이라 **step-reward**(리턴/길이)로
+채점합니다. 각 티어 평균은 목표에 맞으면서 에피소드들이 스킬 스펙트럼을 연속적으로
+덮습니다. 티어별 수치는 영문 카드(README.md)의 per-environment quality ladder
+표를 참고하세요.
+
+## 동반 저장소
+
+- 모델 제거 Unity 빌드와 스톡 ONNX:
+  [ccnets/causal-gpt-rl-unity-envs](https://huggingface.co/datasets/ccnets/causal-gpt-rl-unity-envs)
+- 학습된 Causal GPT-RL 정책:
+  [ccnets/causal-gpt-rl-unity](https://huggingface.co/ccnets/causal-gpt-rl-unity)
+- 수집 및 Minari 패키징 코드:
+  [examples/unity_collection](https://github.com/ccnets-team/causal-gpt-rl/tree/main/examples/unity_collection)
+
+## 로드 예시
+
+```python
+from pathlib import Path
+from huggingface_hub import snapshot_download
+import minari
+
+root = Path.home() / ".minari" / "datasets" / "unity"
+snapshot_download(
+    repo_id="ccnets/causal-gpt-rl-unity-datasets",
+    repo_type="dataset",
+    allow_patterns="crawler/**",
+    local_dir=root,
+)
+dataset = minari.load_dataset("unity/crawler/expert-v0")
+print(dataset.total_episodes, dataset.total_steps)
+```
+
+## 라이선스
+
+궤적 데이터는 Creative Commons Attribution 4.0 International
+(CC-BY-4.0)로 배포됩니다. *ccnets — Causal GPT-RL*과 Unity ML-Agents 원본
+환경을 표기해 주세요.