开源的国际象棋模型,可以模仿各个分段的人类棋手行为。背后采用了 Chessformer 架构,基于 Transformer,只是将棋盘上的 64 个格子视为令牌,引入 Geometric Attention Bias 作为模拟国际象棋规则。和其他象棋、麻将模型追求的登峰造极不同,Maia-3 每步棋并非最优,它也可能会犯错。
开源的国际象棋模型,可以模仿各个分段的人类棋手行为。背后采用了 Chessformer 架构,基于 Transformer,只是将棋盘上的 64 个格子视为令牌,引入 Geometric Attention Bias 作为模拟国际象棋规则。和其他象棋、麻将模型追求的登峰造极不同,Maia-3 每步棋并非最优,它也可能会犯错。
Chessformer是Maia-3采用的全新编码器-only Transformer架构,将棋盘64格视为token,并配以源-目标策略头。它在人类走法模拟上达到最优,同时集成进Leela Chess Zero后无搜索时提升100 Elo。该架构兼具可解释性,可统一用于人类模拟、引擎强度和教学场景。
Geometric Attention Bias是Chessformer中引入的动态位置偏置生成器,能根据棋局几何结构自适应调整注意力。它帮助模型更好地捕捉棋盘空间关系,是Maia-3实现高精度与可解释性的关键组件。
ALLIE是近期发布的另一象棋模型,在人类走法预测任务上达到55.7%准确率。但其架构规模约为Maia-3的10倍,而Maia-3以更小体积实现了57.1%的更高准确率,展现出更好的效率与实用性。
Leela Chess Zero在本文中通过集成Chessformer架构,在关闭搜索时获得约100 Elo的强度提升。文章指出此前需不同模型分别处理人类模拟与最优对弈,现在Chessformer可同时满足两者需求。
Stockfish在本文中作为客观最优引擎,与Maia-3的人类视角形成双视图分析。用户可同时查看Stockfish推荐的引擎走法和Maia-3预测的人类走法概率,用于对比现实与理论最优。
ICLR是机器学习领域顶级会议,团队的Chessformer论文在此发表。该论文详细介绍了Maia-3采用的统一象棋建模架构,于2026年正式发布。这标志着Maia-3在学术界的认可,也证明其架构在人类模拟与可解释性上的优势。
多伦多大学CSSLab是Maia Chess项目的学术研究机构,负责开发并开源Maia-3模型。该模型专注于预测人类在棋局中的实际走法,覆盖600至2600等级分范围。模型与代码托管于其Hugging Face集合及GitHub仓库,供社区免费使用。
Lichess是Maia系列机器人长期对战平台,也是Maia-3训练数据的主要来源。文章感谢其提供海量对局数据并支持开放社区。Maia-3支持实时分析Lichess上的任意棋局。
Maia Chess是由多伦多大学CSSLab主导的学术项目,最新成果为Maia-3模型。它以57.1%的准确率预测人类走法,优于前代版本,并支持从初学者到大师的各类应用。项目提供免费开源模型、maiachess.com平台及分析、训练和对战工具,强调通过人类视角理解棋局。
可左右滑动查看