《GTO精粹》加注翻前范围（2）

另一种思考这种混合效应的方法就是它呈现出了一个两极化范围开始形成的第一个特征。我们也许会使用发明出的术语微两极化来解释我们在早期下注环节看到的两极化最初痕迹（混合效应）。

在前面章节中，我们发现将翻牌圈称之为紧缩范围和两极化范围太有野心了，但随着下注环节的推进我们会发现这些范围的第一个特点。

我们越是坚持到后期的下注环节，河牌圈两极化的效应就越小，但我们可能会在翻前就看见范围的第一个轨迹。我们达到博弈树第一个决策点时范围几乎都是线性的。

作为一个非常清晰两极化效应的例子，当面对一个BB 3bet时可根据GTO范围APP检查庄位的行动回应：

似乎很明显范围的中间部分是纯粹性的跟注：AQs、AJs、ATs等等。我们在这里确实可以使用术语“两极化”来构建一个稍强劲的范围。

说到这里，我们也发现“诈唬牌”实际上也是具有非常高权益的手牌，比如A3s和K7s。从权益层面来说最弱的手牌是那些用于纯粹性平跟的捍卫手牌，比如54s。范围底部的手牌（比如J4s）始终都该弃牌并且绝不用于捍卫。

可以说即使是一个加注范围有着非常强劲的两极化组合（或微两极化），很大程度上它仍然需要一手牌早期阶段权益的驱使。

出于比较，这里是一个同样牌况下的神经网络范围：

尽管使用了两种不同的方法得出了同一个范围，但模型之间的相似性让人印象深刻。

果然，神经网络比解算器中的范围更线性，对比中等牌力的同花隔牌它更感兴趣4bet AXs。

惊人的相似之处包括A9s-AQs的平跟，低牌力AXs的4bet，以及QQ+纯粹的4bet策略。

鉴于这个，请立即回答下面三个问题：

它们是混合和范围捍卫的去两极化范围吗？

它们是首先开始出现微两极化效应的去两极化范围吗？

你是否相信这些范围应该被称为两极化范围？

归根结底，我们用哪种术语来描述我们看见的范围并不重要。但需要注意的是术语两极化在翻前内容中可能会产生误导。它暗示着在我们持续性行动的范围中我们会用大部分最弱的手牌3bet/4bet，而事实其实不是这样的。

比如，我们已经讨论过不同的3bet尺度，但哪一种是最好的？神经网络建议一个底池尺度的3bet但只鉴于1/2底池、底池尺度和2倍底池之间选择。如果最佳尺度是稍高于底池尺度，那么通过使用这个特殊的工具并不能得出什么答案。

许多GTO解算器有着相似的局限性并只针对一个单独的3bet尺度。解算器非常有能力向我们展示如何游戏特定的3bet尺度，但对于这个尺度是否是最佳的它并没给我们多少提示。

我们可以尝试给我们的解算器提供多个不同的3bet尺度，看看应该选择哪一个以及其见解，比如在两个或多个下注尺度之间融入我们的3bet范围是否是正确的。问题就是这很快会变得不切实际，因为每一个额外的翻前决策选项都会大大提升整体决策树的体量。

对于决策树的构建者来说通常会寻求方法来从决策树中移除翻前选项，而不是添加选项。举个例子，许多涉及决策树的GTO翻前解算器，除了大盲位外的所有位置都有一个移除冷跟的选项。这种类型的决策让许多玩家错误地认为解算器选择了他们自己的决定，实际上解算器根本不会冷跟。

同样地，我们不能仅仅因为解算器选择了就断定某个3bet尺度是最好的。我们首先需要着眼于决策树，因为解算器可能没有选择。

同样值得注意的是，运行GTO解算器通常只有一定的精准度（否则会花费很长的时间）。这可能意味着某些较弱的手牌出现在3bet范围中结果会导致解算器的不准确，而不是它们应该出现在那里。

对于网络神经也可以这么说。随着时间的推移它的策略会变得愈发完善，因为它会不断地和自己打牌，但并没有达到完全的准确度。另外，GTO解算器和网络神经可能会使用非最佳的翻后博弈树。讽刺的是，为了判断翻前尺度是否是最佳的，我们不得不使用每一个翻后尺度。解算器不会这样工作，因为决策树会大得不合理。

关键的启示是我们不该盲目的相信单个解算器或网络神经的输出。比较多组翻前范围并观察常规结果有助于我们消除一些不准确性。

l 我们能够通过比较GTO解算和神经网络翻前范围来寻求一个可靠的共识。

l GTO翻前范围是一个很好的大致指南，但关键也要理解用于创建它们的博弈树。