THE GREAT DESK SHUFFLE / 你來排座位

這張桌，真的空了嗎？

把員工拖到桌邊。
讓文件完成交接，而不是一起消失。

你決定誰坐哪裡、何時讓位。按「下一時段」，才會推進工作。
先看人與文件；想知道工程原理，再打開下方說明。

01 看今天的工作02 拖曳員工安排座位03 推進時段，看後果示意遊戲 · 非實測

第一輪：正常交接

換個情境／調整桌數 9 個情境，先從正常交接開始

可用桌子

換情境或桌數會重新開始本輪；先完成第一輪也可以。

點員工 → 點起始桌號 → 下一時段。也可點選員工，再點桌子；鍵盤 Tab／Enter 同樣可用。

更多操作

先把門口的員工拖到桌上，再推進時段。

↓ 到班等候區

WC 洗手間

人物胸前「3桌」＝需要三張連續座位▤ 文件保留：人不在，也別急著借桌⚡ 搶位：文件尚需使用桌號是一條連續儲存帶的編號；畫面每四格換行。4＋5 同段，不是隔走道架螢幕。

回看決策

回看只讀；不會改寫安排。要改決策，請回到目前後按「撤銷」。

工程視角：這些桌子與文件代表什麼？

本玩法以一張桌子＝一個 1 KiB 的示意儲存區；員工是需要資料的工作，文件標記代表內容。桌子編號在這裡才換算成 offset；這不是文章模型的實際配置。

沒有人坐，不代表內容已無後續讀者。搬到新桌會複製現有內容；如果原稿已壞，複製也無法還原。原文則是預先規劃固定 offset 的 Tensor Arena，本遊戲的手動搬位不重現該執行器，也不量測複製成本。

目前安排對應 · illustrative
員工／文件	桌子	Offset / size	後續需求／內容

每張桌以內容標記實際寫入、讀回比對；搶位先寫壞資料，原使用者讀回時才確認損壞。工作時段與截止時間是遊戲設定，不是 CPU 時間或推論效能。三種政策使用相同案例與工作量；文件保留時間圖可在政策示範查看。

對照原文實測：容量、正確性與效能 ↗

MEASURED · 原文實測

以下數字來自 tiny-arena-lab，並非上方辦公室的模擬輸出。

Tensor Arena8,832 → 6,144 B

減少約 30.4%，符合 7 KiB 預算。

分類準確率97.33%

兩種配置皆為 438 / 450；逐筆分類與 scikit-learn 參考一致。

每筆攤提時間0.685 / 0.686 μs

未重用 / 重用。觀測範圍重疊，沒有證明可靠的加速或變慢。

量測條件、來源與限制

手寫數字分類、batch size 16、450 筆保留測試資料，Apple M5 Pro 主機實驗。六次獨立程序，各取中位數後再取六個中位數的中位數。攤提時間不是單筆請求延遲；包含最後一批填補運算、工作計數與輸出指紋計算，計時後再核對計數與指紋。

6,144 B 只算 Tensor Arena，權重、配置資訊、輸入與其他開銷另計。7 KiB 是設定的實驗預算，並非 MCU 實測可用 RAM，不能直接證明能在 MCU 部署。遊戲員工、工作、排程與覆寫標記均為教學設定；示意正確性不是模型分類準確率。