Phoenix: A Self-Optimizing Chess Engine
IBM India Research Labs（IBM印度研究院）；International Institute of Information Technology（国际信息技术学院）
自从计算机出现以来，许多需要人类花费大量时间和精力的任务已经被计算机极快地执行重复性任务的能力所简化。下棋就是这样一项任务。这是第一个使用AI“解决”的游戏之一。随着深度学习的出现，国际象棋智能体可以相对轻松地超越人类的能力。然而，使用深度学习的算法必须学习数百万个参数。这项工作着眼于通过遗传算法的镜头在国际象棋比赛。我们只使用少量可学习的参数就能从零开始训练一个基因球员。我们使用多利基拥挤优化位置值表（PVT），这是广泛使用的国际象棋引擎，以评估一个位置的善良。通过非常简单的设置，仅经过1000代的进化，玩家就达到了国际大师的水平。
2017-08-20 cs.AI cs.NE
Towards Piece-by-Piece Explanations for Chess Positions with SHAP
University of Pisa（比萨大学）
本文提出将 SHAP 方法应用于国际象棋分析，通过将棋子视为特征并系统消融，计算逐子加和贡献，以局部忠实且可解释的方式解释引擎评估，为可视化、训练和引擎比较提供新途径。
2025-10-26 cs.AI cs.LG
Playing Chess with Limited Look Ahead
University of Texas at Austin（德克萨斯大学奥斯汀分校）
多年来，我们已经看到许多机器学习方法解决了国际象棋游戏。然而，在这些作品中的一个共同点是一个精细优化的前瞻性算法的必要性。这项研究的特别兴趣在于创建一个国际象棋引擎，是非常有能力的，但在其前瞻性的深度限制。我们训练一个深度神经网络来作为静态评估函数，它伴随着一个相对简单的前瞻算法。我们表明，我们的静态评价函数编码了一些语义的前瞻性知识，并与经典的评价函数。我们的国际象棋引擎的实力进行评估，通过比较其提出的动作对Stockfish提出的。我们表明，尽管严格限制前瞻深度，我们的引擎建议在我们的样本位置大约$83\%$的移动相同的强度。
2020-07-04 cs.AI cs.LG
Neural Networks for Chess
AlphaZero，Leela Chess Zero和Stockfish NNUE彻底改变了计算机国际象棋。这本书给出了一个完整的介绍到技术的内部工作这样的引擎。这本书分为四个主要章节-不包括第1章（介绍）和第6章（结论）：第2章介绍了神经网络，并涵盖了用于构建深度网络的所有基本构建块，如AlphaZero使用的那些。内容包括感知器，反向传播和梯度下降，分类，回归，多层感知器，向量化技术，卷积网络，挤压和激励网络，全连接网络，批量归一化和整流线性单元，剩余层，过拟合和欠拟合。第3章介绍了用于国际象棋引擎的经典搜索技术以及AlphaZero使用的搜索技术。内容包括极大极小、α-β搜索和蒙特卡罗树搜索。第4章展示了现代国际象棋引擎是如何设计的。除了开创性的AlphaGo，AlphaGo Zero和AlphaZero之外，我们还包括Leela Chess Zero，Fat Fritz，Fat Fritz 2和高效可更新神经网络（NNUE）以及Maia。第5章是关于实现一个小型化的AlphaZero。Hexapawn是国际象棋的一个极简版本，被用作一个例子。Hexapawn通过极大极小搜索来求解，并生成用于监督学习的训练位置。然后，作为比较，实现了类似AlphaZero的训练循环，其中训练是通过与强化学习相结合的自我发挥来完成的。最后，比较了AlphaZero类训练和监督训练。
2022-09-03 cs.AI cs.LG
Giraffe: Using Deep Reinforcement Learning to Play Chess
Imperial College London（帝国理工学院）
这份报告介绍了Giraffe，一个国际象棋引擎，它使用自我游戏来发现所有特定领域的知识，程序员只需要提供最少的手工知识。与之前使用机器学习仅对手工制作的评估函数进行参数调整的尝试不同，Giraffe的学习系统还执行自动特征提取和模式识别。经过训练的评估函数执行最先进的国际象棋引擎的评估函数-所有这些引擎都包含数千行精心手工制作的模式识别器，经过计算机国际象棋专家和人类国际象棋大师多年的调整。Giraffe是迄今为止在使用端到端机器学习下棋方面最成功的尝试。
2015-09-14 cs.AI cs.LG cs.NE
Predicting Human Chess Moves: An AI Assisted Analysis of Chess Games Using Skill-group Specific n-gram Language Models
本文提出一种利用技能组特定n-gram语言模型预测人类象棋走法的AI辅助分析框架，通过动态选择模型提升预测准确性与效率。
2025-12-01 cs.AI
Acquisition of Chess Knowledge in AlphaZero
DeepMind（深度思维）；Google Brain（谷歌大脑）
AlphaZero等复杂的神经网络代理能学到什么？这个问题既有科学意义，也有实际意义。如果强神经网络的表示与人类概念没有相似之处，我们理解其决策的忠实解释的能力将受到限制，最终限制了我们可以用神经网络的可解释性实现的目标。在这项工作中，我们提供的证据表明，人类的知识是由AlphaZero神经网络获得的，因为它在国际象棋比赛中训练。通过探索广泛的人类国际象棋概念，我们展示了这些概念在AlphaZero网络中的时间和位置。我们还提供了一个专注于开局的行为分析，包括国际象棋大师弗拉基米尔·克拉姆尼克的定性分析。最后，我们进行了初步调查，研究AlphaZero的表征的低层次细节，并在线提供由此产生的行为和表征分析。
2022-08-18 cs.AI stat.ML
Diversifying AI: Towards Creative Chess with AlphaZero
Google DeepMind（谷歌DeepMind）；Sony AI（索尼人工智能）；University of Oxford（牛津大学）
本文提出 AZ_db，通过潜在条件化架构和行为多样性技术扩展 AlphaZero，使多样化 AI 智能体团队在国际象棋中产生更多想法并利用次可加规划选择最佳方案，实验表明其解题数量翻倍且棋力提升 50 Elo，证明多样性对解决困难计算问题具有重要价值。
2024-07-31 cs.AI cs.LG
SentiMATE: Learning to play Chess through Natural Language Processing
University College London（伦敦大学学院）
我们提出了SentiMATE，一种新型的端到端深度学习模型，用于国际象棋，采用自然语言处理，旨在学习评估移动质量的有效评估函数。该函数根据与训练动作相关联的评论的情绪进行预训练，并用于指导和优化智能体的游戏决策。这项研究的贡献是三方面的：我们建立并提出了一个分类器，它提取了大量评论数据集中描述国际象棋移动质量的评论，以及一个在国际象棋评论上训练的情感分析模型，以准确预测所述移动的质量，然后使用这些预测来评估国际象棋代理的最佳下一步行动。两种分类器都达到了90%以上的分类准确率.最后，我们提出了一个国际象棋引擎，SentiMATE，它根据预先训练的情感评估函数来评估国际象棋的移动。我们的研究结果显示出强有力的证据来支持我们最初的假设-“自然语言处理可以用来训练一个新的和样本有效的评价功能在象棋引擎？- 当我们将我们的评估功能集成到现代国际象棋引擎中并与具有传统国际象棋移动评估功能的代理进行比赛时，在一级搜索深度上击败随机代理和DeepChess实现-表示传统国际象棋代理（采用alpha-beta搜索算法）的移动数量，以便评估给定的国际象棋状态。
2019-09-25 cs.AI cs.CL cs.LG
Karpov's Queen Sacrifices and AI
ChessEd；Booth School of Business（布斯商学院）；University of Chicago（芝加哥大学）
分析了阿纳托利·卡尔波夫的王后献祭。Stockfish 14 NNUE --一个人工智能国际象棋引擎--评估卡尔波夫的牺牲有多有效。为了比较的目的，我们提供了一个数据集上卡尔波夫的车和骑士牺牲，以测试卡尔波夫是否达到类似的准确性水平。我们的研究对人类与人工智能的互动以及人类如何更好地理解黑盒人工智能算法所采用的策略具有重要意义。最后，我们得出结论与人类研究的影响。用计算机引擎下象棋
2021-09-15 cs.AI
Chess AI: Competing Paradigms for Machine Intelligence
ChessEd；Booth School of Business（布斯商学院）；University of Chicago（芝加哥大学）；Phillips Academy（菲利普斯学院）
长期以来，残局研究一直是测试人类创造力和智力的工具。我们发现它们也可以作为测试机器能力的工具。两个领先的国际象棋引擎Stockfish和Leela Chess Zero（LCZero）在比赛中采用了截然不同的方法。我们使用Plaskett's Puzzle（20世纪70年代末著名的残局研究）来比较这两个引擎。我们的实验表明，Stockfish优于LCZero的难题。我们研究了引擎之间的算法差异，并将我们的观察结果作为仔细解释测试结果的基础。从人类如何解决国际象棋问题中汲取灵感，我们问机器是否可以拥有某种形式的想象力。在理论方面，我们描述了如何贝尔曼方程可能被应用到优化的概率获胜。最后，我们讨论了我们的工作对人工智能（AI）和人工通用智能（AGI）的影响，为未来的研究提出了可能的途径。
2021-09-23 cs.AI cs.LG stat.ML
Assessing Game Balance with AlphaZero: Exploring Alternative Rule Sets in Chess
DeepMind
设计一套吸引人的、平衡的游戏规则并非易事。现代国际象棋已经发展了几个世纪，但如果没有类似的历史依据，规则变化对游戏动态的影响就很难预测。AlphaZero提供了一种替代的计算机游戏平衡评估方法。它是一个可以通过不断学习自己的经验，在没有任何人为监督的情况下从头开始学习任何规则集的接近最佳策略的系统。在这项研究中，我们使用AlphaZero创造性地探索和设计新的国际象棋变体。由于古典国际象棋的大量开局理论，职业比赛中平局的比例很高，以及不可忽略的比赛结束时双方仍在家中准备的游戏数量，因此对国际象棋变体如菲舍尔随机国际象棋的兴趣越来越大。我们比较了其他九种涉及原子变化的国际象棋规则。这些变化允许新的战略和战术模式出现，同时保持游戏接近原始。通过使用AlphaZero为每个变体学习接近最优的策略，我们确定了如果采用这些变体，强大的人类玩家之间的游戏可能会是什么样子。质量，几个变种是非常动态的.分析比较表明，棋子的价值不同的变种之间，有些变种是更决定性的比经典国际象棋。我们的发现证明了现代国际象棋规则之外的丰富可能性。
2020-09-15 cs.AI stat.ML
The Chess Transformer: Mastering Play using Generative Language Models
PeopleTec；Auburn University（奥本大学）
这项工作表明，自然语言Transformers可以支持更通用的战略建模，特别是对文本存档的游戏。除了学习自然语言技能之外，抽象的Transformer架构还可以在棋盘上生成有意义的移动。通过进一步的微调，Transformer通过在Portable Game Notation中对280万盘国际象棋进行训练来学习复杂的游戏玩法。经过30，000个训练步骤后，OpenAI的生成式预训练Transformer（GPT-2）优化了7.74亿个参数的权重。这款经过微调的国际象棋Transformer可以生成合理的策略，并显示可识别为经典开局的游戏阵型，例如英语或斯拉夫交换。最后，在现场比赛中，新模型展示了一个人对Transformer的界面，正确过滤非法移动，并提供了一种新的方法来挑战Transformer的象棋策略。我们预计未来的工作将建立在这个Transformer的承诺，特别是在其他战略游戏中，功能可以捕获简单但富有表现力的玩家注释的基础复杂的规则语法。
2020-09-18 cs.AI cs.CL cs.GT
A Behavior-Based Knowledge Representation Improves Prediction of Players' Moves in Chess by 25%
Ben-Gurion University（本-古里安大学）
本文提出结合专家领域知识与特征工程和机器学习的方法，针对中级棋手开局阶段预测其下一步走法，将预测准确率提升25%，为预测人类对弈行为提供了新框架。
2025-04-07 cs.AI cs.LG
Superior Computer Chess with Model Predictive Control, Reinforcement Learning, and Rollout
Fulton School of Computing, and Augmented Intelligence, Arizona State University（亚利桑那州立大学富尔顿计算与增强智能学院）
本文提出融合 MPC、RL 与 rollout 的国际象棋走子选择架构，通过名义对手引擎和局面评估引擎实现精确一步前瞻，显著增强强弱各类引擎的表现。
2024-09-10 cs.AI cs.LG cs.SY
Ailed: A Psyche-Driven Chess Engine with Dynamic Emotional Modulation
Independent Researcher（独立研究者）
Ailed 是一种通过动态情绪调节产生行为变化的国际象棋引擎，通过心理信号链实现与人类类似的情绪波动表现。
2026-03-05 cs.AI cs.HC
Learning Chess With Language Models and Transformers
Whiting School of Engineering, Johns Hopkins University（约翰斯·霍普金斯大学怀廷工程学院）
通过基于文本的符号表示棋盘游戏及其位置，使NLP应用成为可能。语言模型，可以帮助深入了解各种有趣的问题，如游戏的无监督学习规则，检测玩家的行为模式，玩家归因，并最终学习游戏击败最先进的状态。在这项研究中，我们应用BERT模型，首先对简单的Nim游戏进行分析，以分析其在少样本学习架构中存在噪声时的性能。我们通过三个虚拟玩家，即Nim Guru，Random Player和Q-learner，分析了模型的性能。在第二部分中，我们将游戏学习语言模型应用到国际象棋游戏中，以及一大组具有详尽百科全书开口的特级大师游戏。最后，我们已经证明，该模型实际上学习了国际象棋游戏的规则，并且可以在A类评级水平下与Stockfish进行比赛。
2022-09-24 cs.AI cs.CL cs.GT
Otter: A Time-Aware, History-Conditioned Human Chess AI
Peargent Labs（Peargent实验室）
本研究提出时间感知序列的人类国际象棋AI Otter，结合走法历史编码器与用时控制模块，以更少参数和训练数据超越Maia 2，实现更精准的人类走法预测，相关资源已公开。
2026-08-07 cs.AI cs.LG
Exploring the Performance of Deep Residual Networks in Crazyhouse Chess
Crazyhouse是一种国际象棋变体，它包含了所有经典的国际象棋规则，但允许用户将从对手那里捕获的棋子作为正常移动。直到2018年，这款棋盘游戏的所有竞争性计算机引擎都使用了α-β剪枝算法，每个位置都有一个手工制作的评估函数。以前的基于机器学习的算法只适用于常规国际象棋，如NeuroChess和Giraffe，将手工制作的评估功能作为输入，而不是原始的棋盘表示。最近的项目，如AlphaZero，取得了巨大的成功，但需要大量的计算资源才能达到最终的强度。本文介绍了SixtyFour的开发，这是一个旨在用有限的硬件在Crazyhouse的国际象棋变体中竞争的引擎。这个特定的变体由于其大的分支因子、状态-空间复杂度以及玩家可以进行的多种移动类型而构成了众多重大挑战。我们提出了一个新的创建一个神经网络为基础的评价功能的Crazyhouse。更重要的是，我们评估了集成模型的有效性，该模型允许训练时间和数据集轻松地分布在常规CPU硬件商品上。该网络的早期版本已经达到了与在线服务器上的强大业余爱好者相当的水平。
2019-08-25 cs.AI cs.LG stat.ML
Improving Human Performance with Value-Aware Interventions: A Case Study in Chess
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Microsoft Research（微软研究院）；Georgetown University（杰斐逊大学）
本文提出价值感知干预方法，通过识别策略与价值函数不一致的机会，提升人类在国际象棋中的表现，实验显示其在不同技能水平玩家中均有效。
2026-04-15 cs.AI
Chess\_db: A framework for working with large chess game datasets
University College \& Imperial College
研究围绕国际象棋游戏数据集展开，提出Chess_db框架，它是一套逻辑编程工具，能有效处理棋局，可从PGN文件创建数据库并探讨开源键值数据库适用性，为处理大型国际象棋游戏数据集提供了有效方法。
2026-07-24 cs.AI cs.DB cs.LO
You shall know a piece by the company it keeps. Chess plays as a data for word2vec models
School of Linguistics HSE University（高等经济大学语言学院）；Institute of Russian Literature (Pushkin House)（俄罗斯文学研究所（普希金之家））；Russian Academy of Sciences（俄罗斯科学院）
本文将语言学分析方法应用于国际象棋对局数据，展示word2vec词嵌入模型如何处理国际象棋对局文本，指出该方法虽未必能帮助选择最佳棋步，但在纯学术意义上捕捉到了游戏本质的某些重要特征。
2024-07-28 cs.AI cs.CL
Xiangqi-R1: Enhancing Spatial Strategic Reasoning in LLMs for Chinese Chess via Reinforcement Learning
University of Science and Technology of China（中国科学技术大学）
针对大语言模型空间战略推理能力不足的问题，提出基于强化学习的中国象棋训练框架与7B参数模型Xiangqi-R1，在走法合法性、分析准确率上较通用大模型分别提升18%、22%。
2025-11-18 cs.AI
Engine-Equal, Human-Unequal: A Reproducible Outcome Skew in Engine-Assessed Equal Chess Positions
研究国际象棋中引擎判定平等的局面，人类结果却不平衡，存在结果偏差。通过特定方法测量偏差，发现其可在多种划分中重现，典型偏差小但稳定，即便评估有信心也非人类结果充分统计量，因果问题待随机对照研究。
2026-07-29 cs.AI physics.soc-ph stat.AP
LLM CHESS: Benchmarking Reasoning and Instruction-Following in LLMs through Chess
UC Berkeley（加州大学伯克利分校）；Independent Researcher（独立研究者）；UC Santa Cruz（加州大学圣克鲁兹分校）；Stanford University（斯坦福大学）；Google DeepMind（谷歌DeepMind）
LLM CHESS通过国际象棋评估大语言模型的推理与指令遵循能力，揭示了推理模型与非推理模型的显著差异，并提供了评估框架和公开排行榜。
2025-12-01 cs.AI cs.CL
Hallucinations on the Board: Tool-Augmented Evaluation of LLM Chess Commentary
Princeton University（普林斯顿大学）；Sentient Labs；University of Washington（华盛顿大学）
本研究提出ACT-Eval框架，评估工具增强型LLM的象棋评论，发现事实幻觉普遍存在，工具可提升事实正确性但战略战术覆盖度仍有限。
2026-08-06 cs.AI cs.CL
Learning to play the Chess Variant Crazyhouse above World Champion Level with Deep Neural Networks and Human Data
TU Darmstadt（达姆施塔特工业大学）
深度神经网络已成功应用于学习棋盘游戏围棋，国际象棋和将棋没有先验知识，利用强化学习。虽然从零开始的知识已经被证明会产生令人印象深刻的结果，但它与高计算成本有关，特别是对于复杂的游戏。在本文中，我们提出了CrazyAra，这是一个神经网络为基础的引擎单独训练的监督方式的国际象棋变种crazyhouse。Crazyhouse是一种分支因子比国际象棋更高的游戏，与AlphaGo相比，只有有限的低质量数据可用。因此，我们专注于在多个方面提高效率，同时依赖于低计算资源。这些改进包括神经网络设计和训练配置的修改，数据归一化步骤的引入和更有效的蒙特卡罗树搜索，具有较低的出错机会。经过1.5天的569，537场人类游戏训练，我们实现了60.4%的移动预测准确率。在开发过程中，CrazyAra的版本扮演专业的人类玩家。最值得注意的是，CrazyAra以4比1战胜了2017年疯狂屋世界冠军Justin Tan（又名LM Jann Lee），他比我们训练集中的平均球员高出400多个Elo。此外，我们还测试了CrazyAra在CPU上对2017年第二届Crazyhouse计算机锦标赛所有参赛者的比赛实力，战胜了13名参赛者中的12名。最后，对于CrazyAraFish，我们继续在生成的引擎游戏上训练我们的模型。在10场长时间的控制比赛中，CrazyAraFish赢得了三场比赛，并在十场比赛中取得了一场比赛…
2019-08-22 cs.AI cs.LG
AI-powered mechanisms as judges: Breaking ties in chess
Durham University（杜伦大学）
针对国际象棋精英赛事平局增多且快棋加赛降低棋局质量的问题，提出用AI引擎评估走棋质量来客观打破平局，经约2.5万大师走棋验证，提升公平性与比赛水准。
2024-07-18 cs.AI econ.TH
Aligning Superhuman AI with Human Behavior: Chess as a Model System
University of Toronto（多伦多大学）；Microsoft Research（微软研究院）；Cornell University（康奈尔大学）
随着人工智能变得越来越智能-在某些情况下，实现了超人的性能-人类向算法学习和与算法合作的潜力越来越大。然而，人工智能系统处理问题的方式通常与人类的方式不同，因此可能无法解释，难以学习。弥合人类和人工智能之间差距的关键一步是对构成人类行为的粒度行为进行建模，而不是简单地匹配人类的总体表现。我们在一个在人工智能领域有着悠久历史的模型系统中追求这个目标：国际象棋。一个国际象棋选手的综合表现是随着他们在比赛过程中做出决定而展开的。每个技能水平的玩家在线玩的数亿游戏形成了丰富的数据源，这些决策及其确切的背景都被详细记录下来。将现有的国际象棋引擎应用于这些数据，包括AlphaZero的开源实现，我们发现它们不能很好地预测人类的动作。我们开发并推出了Maia，这是一种在人类象棋游戏中训练的Alpha-Zero的定制版本，它可以比现有引擎更高的精度预测人类的动作，并且可以在预测特定技能水平的玩家以可调的方式做出决策时实现最大的准确性。对于预测人类下一步是否会犯大错的双重任务，我们开发了一个深度神经网络，它的表现明显优于竞争基线。综上所述，我们的研究结果表明，在设计人工智能系统时，首先要准确地建模粒度人类决策，并考虑到人类的协作，这是很有希望的。
2020-07-14 cs.AI cs.CY cs.LG
Evolutionary Transfer Learning for Dragonchess
Computer Science Department, Connecticut College, New London, United States（康奈尔学院计算机科学系，新伦敦，美国）
本文提出利用进化迁移学习在龙棋中适应启发式评估函数，通过CMA-ES优化提升AI性能，展示了在复杂游戏领域中迁移学习的有效性。
2026-03-16 cs.AI
Towards the Automatic Synthesis of Interpretable Chess Tactics
North Carolina State University（北卡罗来纳州立大学）
该工作提出一种基于归纳逻辑编程的符号子策略模型，用于生成可解释的国际象棋战术，并通过散度度量与引擎增强评估其有效性。
2026-10-07 cs.AI cs.LG cs.SC
Tracking vs. Deciding: The Dual-Capability Bottleneck in Searchless Chess Transformers
Abbey Park High School（修道院公园高中）；Shanghai Soong Ching Ling School（上海宋庆龄学校）
研究提出双能力瓶颈问题，通过模型扩展和Elo加权训练提升追踪与决策能力，实验表明组合效果优于单一方法，且序列输入能有效编码完整历史。
2026-03-31 cs.AI
Evidence of Learned Look-Ahead in a Chess-Playing Neural Network
UC Berkeley（加州大学伯克利分校）；Independent（独立研究者）
该研究发现在最强神经国际象棋引擎 Leela Chess Zero 的策略网络中存在学习到的前瞻算法，通过分析其 transformer 架构中的因果激活、注意力头信息传递和探针预测，证明了网络能内部表示未来最佳走法。
2024-06-02 cs.AI cs.LG
Study of the Proper NNUE Dataset
University of California, Riverside（加州大学河滨分校）
本文针对NNUE训练中高质量数据集构建方法不足的问题，提出一种生成和过滤稳定“安静”位置数据集的算法，测试表明该方法显著提升了国际象棋引擎性能。
2024-12-23 cs.AI cs.LG
UniMaia: Steering Chess Policies with Language for Human-like Play
University of Waterloo（滑铁卢大学）；Carleton University（卡尔顿大学）
提出UniMaia框架，通过参数高效文本编码器和ControlNet风格调节机制，在冻结的Lc0国际象棋策略网络上实现提示条件策略调制，实现语义控制（如开局选择和玩家强度）并保持预训练策略表征，同时构建大规模元数据增强的Lichess数据集和半自动提示生成管道，在多个基准上取得最优或竞争性结果。
2026-05-26 cs.AI cs.CL cs.LG
A Methodology for Learning Players' Styles from Game Records
Birkbeck College, University of London（伦敦大学伯贝克学院）
我们描述了一个初步的调查学习国际象棋选手的风格，从游戏记录。该方法是基于尝试学习的球员的个人评价功能的时间差异的方法，与传统的国际象棋引擎架构的帮助下。一些令人鼓舞的结果是在学习风格的两个最近的国际象棋世界冠军，我们报告我们试图使用学到的风格来区分球员之间的游戏记录，试图检测谁是白色的，谁是黑色的。我们还讨论了我们的方法的一些局限性，并提出了未来研究的可能方向。我们提出的方法也可以适用于其他战略游戏，甚至可以推广到其他领域的代理人的行动序列记录。
2009-04-16 cs.AI cs.LG
Oracle-Guided Soft Shielding for Safe Move Prediction in Chess
OGSS通过学习概率安全模型，在国际象棋中实现安全探索，减少战术失误并提升探索效率。
2026-03-09 cs.AI cs.LG
Search-contempt: a hybrid MCTS algorithm for training AlphaZero-like engines with better computational efficiency
本文提出 search-contempt 混合 MCTS 算法，通过偏好更具挑战性的自我对弈局面，显著提升让子棋引擎实力，并将类 AlphaZero 引擎的训练成本从数百万局和数百万美元降至数十万局和数万美元，使消费级 GPU 上的从零训练成为可能。
2025-04-10 cs.AI cs.LG
Mastering Board Games by External and Internal Planning with Language Models
Google DeepMind（谷歌DeepMind）；Google（谷歌）；ETH Zürich（苏黎世联邦理工学院）
本研究通过外部搜索（引导MCTS）和内部搜索（生成线性化搜索树）结合领域知识，显著提升了LLM在棋盘游戏中的规划能力，在国际象棋中达到大师级水平，并展示了方法的通用性。
2025-05-23 cs.AI cs.CL cs.LG
Temporal-Difference Learning for Dragonchess
Connecticut College（康涅狄格学院）
本研究在三维国际象棋龙棋中比较进化迁移学习与TD(λ)两种自适应方法，通过C++重写引擎并运行万局游戏，证明二者均优于其他智能体且性能无显著差异，验证了自适应方法在复杂新领域的有效性。
2026-10-02 cs.AI
Speed, Quality, and the Optimal Timing of Complex Decisions: Field Evidence
LMU Munich（慕尼黑大学）；CEPR（欧洲政策研究中心）；Ifo（伊福经济研究所）；IZA（德国劳动经济研究所）；Rotterdam School of Management, Erasmus University（伊拉斯姆斯大学鹿特丹管理学院）；CREST-ENSAE（法国国家统计与经济管理学院应用经济研究中心）；CESifo（慕尼黑经济研究中心）
本文提出了一个实证研究的决策速度和决策质量之间的关系，为现实世界的设置认知要求的决策，决策的时间是内生的：专业国际象棋。逐步走棋数据提供了关于决策时间和决策质量的非常详细和精确的信息，其基础是将实际决策与使用国际象棋引擎的人工智能构建的最佳走棋的计算基准进行比较。结果表明，更快的决策与更好的性能相关。研究结果是一致的预测程序决策模型，如漂移扩散模型，决策者顺序获取信息的决策方案与不确定的估值。
2022-01-26 cs.AI econ.GN q-fin.EC
Matilda: Engine-Agnostic Search with Human Policy Guidance
提出一种残差公式，通过等级条件基础模型和冻结副本，学习与棋力（Elo）近似解缠的棋手风格嵌入，实现风格相似性度量与棋力分离。
2026-07-30 cs.AI
