40亿参数模型国际象棋2700，解释自己走棋被标为准确

普林斯顿大学的研究者训练了一个40亿参数的大语言模型（LLM），它的国际象棋等级分达到2700。训练停止时，棋力还没有出现平台期，也就是说它可能还有上升空间。

这个分数是Lichess上的闪电战等级分，不是标准赛事的正式等级分。闪电战考验短时间内的判断力，和慢棋对局是两种不同的竞技状态。

模型的解释能力是这次的主要看点。过去有评论者看过LLM的棋局分析：理由说得头头是道，但经不起推敲，连等级分不足2000的棋手都能看出问题。这次，模型给出的走棋原因被研究者标记为“准确”。

做到这一点的关键在监督方式。研究者用AlphaZero/Leela做后端引擎，让模型产生与引擎一致的评估，并附上解释。换句话说，模型不是自己摸索出来的棋感，而是先有一个近乎正确的老师，再把老师的判断学成了自己的语言。

这里有一个实际问题：一旦离开有明确评估标准的任务，这套方法还能不能成立？模型的评估依赖外部引擎的“标准答案”。研究者说，同样的训练技术也能用于其他游戏、机器人和计算机使用。这些领域都带有明确的反馈信号。但换到没有标准答案的领域，监督从哪里来，尚不明确。

技术层面也没那么新。有评论指出，把棋盘状态tokenize，再接上交叉注意力模块，是标准设计；真正的新意落在“可解释的象棋”上。另外，模型用了专门的象棋编码器，直接拿它和其他通用LLM对比并不公平。

围绕“解释能力”还有一层争议。有评论者提出，如果模型只是记住了理论上的最佳走法，那它给出的解释就是复述已知内容。真正能验证解释含金量的方法，是拿一盘它没见过的对局，看它能不能讲出说得通的道理。

LLM的架构里没有传统意义上的“前瞻”——也就是在脑子里把后续变化推演几步。有评论因此认为，模型记住好棋的能力很强，但未来在同样的方法论下，提升空间有限。

论文全文已在arXiv公开：https://arxiv.org/pdf/2610.03695。对比一下：目前最强的国际象棋引擎Stockfish等级分约为3650。按Elo数学推演，Stockfish对阵这个模型预计能赢下99.92%的盘面。这种计算在大差距下本来会失真。国际象棋平局率高，实际胜率差距只会显得更悬殊。

2700分的模型已经能赢下绝大多数人类棋手，还能解释自己为什么这样走。但离“最强”二字，还隔着一条目前看来很难逾越的鸿沟。