Lichess
PulseAugur coverage of Lichess — every cluster mentioning Lichess across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Stockfish 国际象棋引擎的价值函数被提炼到神经网络中
一个项目已成功将 Stockfish 国际象棋引擎的价值函数提炼到一个神经网络模型中，该模型采用了 ResNet 和 Vision Transformer 架构。这个提炼后的模型在一个包含十亿个国际象棋局面（来自 Lichess 游戏）的海量数据集上进行了训练，并且完整的 39 亿个局面数据集已在 Hugging Face 上提供。该研究旨在创建一个比 Stockfish 本身更快的完整搜索树近似模型，有可能与现有的 NNUE 模型竞争。
-
人工智能利用强化学习发现高质量国际象棋谜题
研究人员开发了一种使用离线强化学习的方法，从包含15亿个解谜历史的大型数据集中发现高质量的国际象棋谜题。该方法旨在提高自动生成谜题的教学价值，因为这些谜题通常被认为不如人类专家精心挑选的谜题有效。该系统被证明能显著帮助初学者国际象棋玩家，特别是那些学习进展停滞不进的玩家，并通过专家玩家的定性分析得到验证。
-
Otter AI 使用时间感知序列模型预测人类国际象棋走法
研究人员开发了Otter，一个旨在预测人类国际象棋走法的新AI模型。Otter通过将国际象棋视为一个序列化的、时间感知的过程来区分自己，它将最近的20步棋和时钟压力纳入其预测中。Otter在海量的Lichess对局数据集上进行训练，取得了高精度，其参数和训练数据量远少于Maia 2等先前模型，但表现超越了它们。该项目强调其对开放科学的承诺，发布了代码、训练模型和完整的训练日志。
-
国际象棋AI评估显示出有利于人类的可复现赛果偏差
一篇新近发表在arXiv上的研究论文，调查了在被Stockfish 18等强大引擎评估为均势的国际象棋局面中的赛果偏差。研究人员分析了在Lichess上进行的数百万盘对局，发现在引擎评估在10美兵以内且稳定时，人类棋手仍然表现出持续的偏见。这些偏差，无论是有利于白方还是黑方，都被发现在不同棋手群体、不同时期和不同等级分段中都是可复现的，这表明它们是棋局本身的固有属性，而非随机巧合。研究指出，尽管引擎评估很精确，但不足以预测国际象棋中的…
-
研究发现：国际象棋引擎评估无法预测人类对局结果
一项分析国际象棋局面的研究发现，即使在Stockfish 18等引擎认为局面均等的情况下，人类棋手也会表现出持续的结果倾斜，偏向白方或黑方。这种倾斜在不同棋手群体、不同时期和不同等级分范围内都是可复现的，并且即使在非常流行和测量良好的局面下也依然存在。虽然典型的倾斜幅度很小，但处于不利地位的一方往往会花费更多思考时间，这表明仅凭引擎评估并不能完全预测人类对局结果。
-
Matilda AI 通过人类策略指导增强国际象棋引擎
研究人员推出 Matilda，一种新颖的 AI 模型，旨在通过整合人类策略指导来增强国际象棋引擎的性能。该模型是一种排列不变的集合 Transformer，重新对 Maia-3 策略建议的走法进行排序，提高了其模拟高水平人类对弈和个体对弈风格的能力。Matilda 整合了来自 Maia-3 隐藏表示、时间控制和玩家风格向量的上下文，并可选择由 Stockfish 或 AlphaZero 等引擎进行重新评分，在更强玩家的准确性方面取得了显著的提升。
-
Perplexity AI 在复杂国际象棋局面中表现不佳
一位 Mastodon 用户分享了他们与 Perplexity AI 下国际象棋的经历，指出尽管 AI 在开局阶段表现良好，但在中局却犯了重大失误。用户特别提到一个 LLM 错误识别了将死局面的实例。这次经历让用户得出结论，LLM 擅长回忆训练信息，但在处理新颖或复杂问题时会遇到困难。
-
Chess-GPT 模型学习世界模型，可通过操纵改变其技能水平
研究人员探索了对一个为国际象棋而训练的语言模型（称为 Chess-GPT）进行干预的方法。通过操纵模型对棋盘状态和玩家技能的内部表征，他们证明了这些表征与模型的输出之间存在因果关系。这项工作回应了关于大型语言模型是否拥有真正世界模型还是仅仅学习表面模式的怀疑，表明有针对性的编辑可以影响模型的棋力水平和走子生成。