Wordle AI Guesser

Wordle AI guesser는 평소의 역할을 뒤집습니다. 사용자가 다섯 글자 비밀 영단어를 고르면 봇이 추측합니다. 이 도구는 초록색, 노란색, 회색 타일을 브라우저에서 계산하고 219개 정답 모델을 필터링하며, 허용된 각 단어가 남은 후보를 얼마나 잘 나누는지 비교합니다. 공식 봇이나 모든 사전에 통하는 보편적 최적해라고 주장하지 않고, 매번 그 단어를 선택한 근거를 화면에 공개합니다.

이 Wordle AI 추측 도구가 실제로 하는 일

익숙한 단어 풀이를 컴퓨터와 벌이는 작은 대결로 바꿉니다. 로컬 219개 정답 모델에서 한 단어를 입력하고 다른 사람에게는 비밀로 둔 채 브라우저가 첫 추측을 만들게 하세요. 목표 단어는 이미 현재 브라우저에 있으므로 페이지가 각 행을 자동으로 채점합니다. 타일 다섯 개를 직접 누르거나 반복 문자의 여분 한 글자를 어떤 색으로 표시할지 판단할 필요가 없습니다. 각 행 뒤에는 실제 남은 후보 수, 피드백을 알기 전의 예상 잔여 수, 관측된 분기에서 얻은 정보량이 함께 표시됩니다.

추론하는 듯한 문장을 만드는 대규모 언어 모델이 아니라 결정론적인 단어 게임 모델입니다. 사이트의 단어 도구와 같은 9,983개 허용 추측을 비교하고, 남은 목표를 가능한 전체 색 패턴에 따라 묶은 다음 평균적으로 가장 작은 생존 그룹을 남기는 단어를 우선합니다. 같은 후보 상태에서는 결과를 재현할 수 있습니다. 사전, 정답 가중치, 하드 모드, 동점 규칙이 다르면 다른 단어가 선택될 수 있습니다. 그래서 모델의 범위를 밝히고 한 번의 실행을 보편적인 순위로 포장하지 않습니다.

목표는 사용자가 선택

로컬 모델의 정답을 입력하거나 무작위 다섯 글자 도전을 받을 수 있습니다.

브라우저가 타일을 채점

초록색을 먼저 확정한 뒤 노란색 복사본을 배정해 반복 문자도 일관되게 처리합니다.

모든 수에 근거가 있음

후보 수와 비트 단위 정보량이 그 추측으로 달라진 것을 보여 줍니다.

색을 수동 채점하지 않고 봇에 도전하기

먼저 영문자를 정확히 다섯 글자 입력합니다. 입력란은 219개 목표 모델에 속한 단어만 받습니다. 솔버가 비밀 단어를 찾았다는 사실을 확실히 증명할 수 있어야 하기 때문입니다. 넓은 9,983개 추측 은행에서는 유효하지만 정답 집합에는 없는 단어라면, 화면이 그 차이를 설명하고 절대 이길 수 없는 게임을 조용히 시작하지 않습니다. 무작위 버튼을 쓰면 정답 목록을 훑어보지 않고도 공정한 목표로 빠르게 시작할 수 있습니다.

도전이 시작되면 비밀 단어는 현재 브라우저 세션 안에 남습니다. 다음 AI 추측 버튼을 눌러 살아 있는 후보 집합을 평가하세요. 색이 입혀진 행과 그 수가 만든 실제 변화가 같이 나타납니다. 다음 턴에는 비밀 단어와 정확히 같은 전체 피드백 패턴을 만들었을 목표만 남깁니다. 추측이 비밀과 같아지거나 여섯 행을 모두 사용할 때까지 계속합니다. 끝나면 비밀을 빼고 색 격자를 복사하고, 로컬 기록과 비교하거나 다른 단어로 초기화할 수 있습니다.

비밀 단어 고정

지원되는 목표를 입력하거나 무작위로 만드세요. 계정과 업로드는 필요 없습니다.

한 수씩 진행

봇의 다음 수를 요청하기 전에 현재 행과 후보 감소를 확인합니다.

검토하고 공유

비밀 단어를 드러내지 않고 색 격자와 추측 횟수를 복사합니다.

솔버가 다음 다섯 글자 단어를 고르는 방법

솔버는 사용 가능한 추측마다 남은 각 정답이 어떤 피드백을 돌려줄지 가상으로 계산합니다. 다섯 위치에 세 상태가 있으므로 이론적으로 최대 243개 색 패턴이 있지만, 작은 후보 집합에서는 대개 훨씬 적은 수만 나타납니다. 완전히 같은 패턴을 내는 정답은 같은 그룹에 들어갑니다. 프로그램은 그룹 크기의 제곱을 합해 예상 잔여 수를 측정하고, 가장 큰 그룹을 최악의 경우 확인값으로 기록하며, 실제 분기에서 줄어든 불확실성을 비트로 설명합니다.

선택 규칙은 먼저 예상 생존 후보를 최소화하고, 그다음 최악의 그룹을 줄입니다. 점수가 같으면 아직 정답일 수 있는 단어를 우선하고 마지막에는 안정적인 알파벳 순서를 씁니다. 한 수 앞만 보는 탐욕 정책입니다. 전체 게임 트리를 푸는 동적 계획법보다 가벼워 휴대전화 페이지 안에서도 실행할 수 있습니다. 후보가 하나만 남으면 봇은 정보 수집용 단어를 더 쓰지 않고 그 단어를 바로 제출합니다.

공개된 정확 모델과 이 브라우저 봇 비교

연구와 이 페이지 모두 피드백 분할을 평가하지만 데이터 집합과 탐색 깊이는 의도적으로 다릅니다.

인용한 정확 솔버와 Dont Wordle AI Guesser의 범위 및 방법 비교
측정 항목	공개된 정확해 연구	이 Wordle AI guesser
가능한 목표	원래 정답 2,315개	로컬 정답 후보 219개
사용 가능한 추측	원래 추측 12,972개	로컬 허용 추측 9,983개
선택 방법	미래 상태 전체의 정확한 동적 계획법	예상 감소 탐욕법과 최악 분기 동점 처리
보고 결과	논문 모델에서 SALET 시작 시 평균 3.421회	비밀별 행 수, 후보 수, 정보량

측정값이 뒷받침할 수 있는 결론

Bertsimas와 Paskov의 정확해 연구는 Wordle을 가능한 정답 2,315개와 허용 추측 12,972개로 정식화했습니다. SALET으로 시작하는 최적 일반 모드 정책의 평균을 3.421회로 보고했고, 그 모델에서는 모든 목표를 최대 다섯 번 안에 푼다고 밝혔습니다. 이는 공개 연구의 결과이며 이 도구 점수에 복사해 넣은 값이 아닙니다.

이 페이지는 현재 Dont Wordle 데이터로 더 작고 재현 가능한 측정을 합니다. 같은 가중치의 목표 219개, 사용 가능한 추측 9,983개, 타일 위치 다섯 개, 위치마다 세 상태, 최대 여섯 행을 사용합니다. 모델 날짜는 2026년 7월 23일입니다. 각 행 옆의 동적 숫자는 그 추측 직전에 남아 있던 후보에서 매번 다시 계산합니다. 같은 조건으로 다시 실행하면 숫자가 재현되므로, 독자는 결과를 인상이나 추측이 아니라 공개된 관측값으로 비교하고 직접 검증할 수 있습니다.

예상 잔여는 비밀의 피드백을 적용하기 전에 확률로 가중한 그룹 크기의 평균입니다.
실제 잔여는 비밀이 만든 다섯 타일 전체 패턴과 일치하는 목표를 셉니다.
정보 이득은 관측된 분기에서 줄어든 불확실성을 밑이 2인 값으로 계산해 비트로 표시합니다.

동적 계획법, 데이터 집합, 보고 결과는 MIT가 호스팅하는 1차 논문에서 확인할 수 있습니다.

정보 측정은 Claude Shannon이 1948년에 제시한 엔트로피 틀을 따릅니다. 이 페이지는 색 그룹에 적용할 뿐 새로운 이론이라고 주장하지 않습니다.

불확실성이 유용한 단위인 이유

Shannon은 여러 가능성 중 선택된 메시지를 복원하는 문제로 통신을 설명했습니다. Wordle 한 행도 작은 사례로, 색 패턴이 어떤 목표가 아직 가능한지 전달합니다.

“The fundamental problem of communication is that of reproducing at one point either exactly or approximately a message selected at another point.”

Claude E. Shannon, A Mathematical Theory of Communication (1948)

25단어 미만의 영어 원문을 인용했습니다. 주변 설명은 이 사이트가 단어 게임 피드백에 적용한 해설입니다.

봇을 공정하게 시험하는 절차

운이 좋거나 나쁜 한 분기만으로 판단하지 않도록 여러 목표에 같은 절차를 적용하세요.

모델의 다음 추측을 미리 보지 않고 지원되는 비밀 단어를 고릅니다.
각 색 행 뒤의 실제 남은 후보 수를 기록합니다.
흔한 단어, 반복 문자가 있는 단어, 무작위 목표를 비교합니다.
같은 모델 날짜와 같은 규칙으로 실행한 결과만 평가합니다.

출처와 재현 가능한 모델 메모

외부 링크는 공개된 정확 솔버와 정보 이론의 토대를 문서화합니다. 로컬 수치는 이 페이지가 쓰는 현재 배열을 직접 센 값입니다.