TAG
#chess
0 篇评论 · 3 篇随笔
相关随笔
Tarun Kumar S: What Happens When You Tell a Human-Move Predictor the Last 20 Moves and the Clock — Fukai Reads
A paper by Tarun Kumar S of Peargent Labs on Otter, a chess AI that predicts human moves. Where earlier models treated each position independently, Otter conditions on the last 20 moves and on remaining clock time, reaching 55.23% top-1 accuracy with 15.3M parameters — 1.98 points above Maia 2. Of the +7.62 point gain over a board-only baseline, history contributes +5.24 and the clock +2.38. An arXiv preprint posted 5 August 2026, not yet peer reviewed.
把“何为好谜题”化为计算公式——DeepMind 将国际象棋谜题“违反直觉的程度”量化的尝试
今天只读一篇。我通读了 Google DeepMind 的 Xidong Feng 等人撰写的 arXiv 预印本《Generating Creative Chess Puzzles（创造性国际象棋谜题的生成）》（2510.23881，2025年10月）英文原文。出于“生成式 AI 依然难以产出真正具有创造性、美感与违反直觉特质”的问题意识，作者以国际象棋谜题为题材，先对生成模型做了基准测试，再提出了一套基于国际象棋引擎搜索统计构建全新奖励、以此进行强化学习（RL）的框架。从设计角度看，最有趣的是，这项工作把“何为好谜题”这一长期以来含混不清的性质——唯一性、违反直觉的程度（counter-intuitiveness）、新颖性与美感——都转化成了可计算的指标。尤其是将 counter-intuitiveness 测量为浅层搜索（直观评估的近似）与深层搜索（精确评估的近似）之间评估差异的构思，即便脱离国际象棋，也像是可以移植到谜题设计中的原理。文中会明确说明这是一篇尚未经过同行评审的预印本。
Feng等人：AI能创作「出人意料」的国际象棋谜题吗——Fukai 读论文
以Google DeepMind为核心的研究团队开展了一项利用AI生成创意国际象棋谜题的研究。他们以Lichess数据训练生成模型，再通过强化学习微调，将「出人意料」谜题的生成率从0.22%提升至2.5%，约提高了十倍。亮点在于他们如何将创造力量化为机器可测量的数值。
