English(EN) Beyond Accuracy: A Geometric Stability Analysis of Large Language Models in Chess Evaluation

研究发现：大型语言模型在国际象棋评估中未能通过几何稳定性测试

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-14 05:00

一篇新发表在arXiv上的研究论文分析了六种大型语言模型（LLMs）在评估国际象棋局面时的几何稳定性。研究发现，包括Claude Sonnet 4.5、DeepSeek Chat、Gemini 2.5 Flash、GPT-5.1、Grok 4.1 Fast和Kimi K2 Turbo在内的所有测试模型，在评估无兵残局的旋转局面时都遇到了困难，常常将合法的局面错误地归类为非法。虽然GPT-5.1显示出最低的平均稳定性误差，Claude Sonnet 4.5显示出最低的准确性误差，但论文认为，标准的准确性指标可能会掩盖重大的稳定性故障，尤其是在旋转等变换下。 AI

影响强调了大型语言模型在简单准确性指标之外的推理和一致性方面存在的潜在弱点。

排序理由发表在arXiv上的研究论文，分析了大型语言模型在特定任务上的表现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 发表在arXiv上的研究论文，分析了大型语言模型在特定任务上的表现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Qingya Hu, Ruifeng Cao, Weiqi Wang, Xidan Song · 2026-11-14 05:00

超越准确性：大型语言模型在国际象棋评估中的几何稳定性分析

arXiv:2512.15033v2 Announce Type: replace Abstract: Large language models (LLMs) are usually evaluated in chess by how closely their position evaluations agree with a strong engine, but such agreement does not show that a model evaluates equivalent positions consistently. We appl…

本文如何被排名

报道来源 [1]

超越准确性：大型语言模型在国际象棋评估中的几何稳定性分析

相关实体

相关话题