跳转至

Otter：一款具备时间感知与历史上下文的人类国际象棋 AI

文章背景与核心概要

长期以来，人工智能在国际象棋领域的应用主要集中于通过超强算力和完美博弈策略来击败人类（如 Stockfish 或 AlphaZero）。然而，模拟人类真实下棋水平、预测人类在特定局面下的实际行棋选择（例如 Maia 系列模型）对于人机协作、教育以及心理学研究同样具有重要价值。传统的人类国际象棋模型往往将棋局中的每一个盘面状态孤立看待，忽略了对局的上下文和时间压力。

为了突破这一局限，本文作者 Tarun Kumar S 推出了 Otter——一款轻量级、仅有 1530 万参数的人类国际象棋 AI。Otter 的核心创新在于将对局建模为一个“具备时间感知的序列化过程”，引入了走法历史编码器（利用前 20 步捕捉开局偏好、心理及行为模式）以及时间控制模块（根据剩余时间压力调节预测）。该模型仅使用单张 T4 GPU，在 30 天内通过 Lichess 1.17 亿场快棋赛的 61 亿个盘面数据完成训练，其 Top-1 和 Top-5 预测准确率分别达到 55.23% 和 90.95%，在参数量和训练数据远少于前代 SOTA 模型（如 Maia 2）的情况下实现了超越。

📌 摘要 (Summary)

Otter is a lightweight, 15.3-million-parameter human chess AI designed to predict human move selection more accurately than previous models while utilizing fewer parameters and less training data. Instead of treating chess board states in isolation, Otter models gameplay as a time-aware, sequential process.

Otter 是一款轻量级、拥有 1530 万参数的人类国际象棋 AI，旨在比以往的模型更准确地预测人类的走子选择，同时使用更少的参数和更少训练数据。Otter 没有将国际象棋盘面状态孤立处理，而是将对局建模为一个具备时间感知的序列化过程。

Key innovations include: * Move History Encoder: Conditions move predictions on the preceding 20 moves to capture opening preferences, positional drift, and psychological or behavioral patterns within a game. * Time Control Module: Modulates predictions based on the player's remaining clock pressure. * Efficient Training: Trained on 6.1 billion positions sourced from 117 million Lichess rapid games over 30 days using a single T4 GPU.

核心创新包括： * 走法历史编码器： 基于前 20 步的走法来调整走子预测，从而捕捉局内开局偏好、局势漂移以及心理或行为模式。 * 时间控制模块： 根据玩家剩余的时钟压力来调节预测结果。 * 高效训练： 使用单张 T4 GPU，在 30 天内基于 Lichess 1.17 亿场快棋赛中的 61 亿个盘面完成训练。

Otter achieves 55.23% top-1 and 90.95% top-5 move-prediction accuracy, outperforming the prior state-of-the-art human chess model (Maia 2). Performance spans 11 Elo brackets (ranging from \(<1100\) to \(\ge 2000\)), peaking at 57.38% in the 1900–1999 Elo bracket.

Otter 实现了 55.23% 的 Top-1 和 90.95% 的 Top-5 走法预测准确率，超越了此前最先进的人类国际象棋模型（Maia 2）。其性能横跨 11 个 Elo 等级区间（从 \(<1100\) 到 \(\ge 2000\)），并在 1900–1999 Elo 区间达到了 57.38% 的峰值。

📄 论文摘要 (Abstract)

Otter is a 15.3M-parameter human chess AI that predicts human move selection by modeling play as a time-aware, sequential process rather than treating each position in isolation. It combines two conditioning signals: (1) a move history encoder that conditions predictions on the last 20 moves, capturing opening preferences, positional drift, and intra-game behavioral tendencies; and (2) a time control module that modulates predictions based on clock pressure. Otter is trained on 6.1 billion positions from 117 million Lichess rapid games over 30 days on a single T4 GPU.

Otter 是一款具有 1530 万参数的人类国际象棋 AI，它将对局建模为一个具备时间感知的序列化过程，而不是将每个盘面状态孤立对待，以此来预测人类的走子选择。它结合了两种条件信号：(1) 一个走法历史编码器，基于最近 20 步的走法来调整预测，从而捕捉开局偏好、局势漂移和局内行为倾向；(2) 一个时间控制模块，根据时钟压力来调节预测。Otter 在单张 T4 GPU 上用 30 天时间，通过 Lichess 1.17 亿场快棋赛中的 61 亿个盘面完成了训练。

Otter achieves 55.23% top-1 and 90.95% top-5 move-prediction accuracy, surpassing the prior state-of-the-art human chess model, Maia 2, with far fewer parameters and less training data. Across 11 Elo brackets (<1100 to >=2000), accuracy peaks at 57.38% in the 1900-1999 bracket. These results show that modeling chess as a time-aware, sequential activity yields more human-accurate move prediction than position-only approaches, using a smaller model. Code, trained models, and complete training logs are publicly released.

Otter 达到了 55.23% 的 Top-1 和 90.95% 的 Top-5 走法预测准确率，以远少于前代人类国际象棋模型（Maia 2）的参数量和训练数据，超越了后者。在 11 个 Elo 等级区间（<1100 至 >=2000）中，准确率在 1900-1999 区间达到 57.38% 的峰值。这些结果表明，与仅依赖盘面的方法相比，将国际象棋建模为具备时间感知的序列化活动，能够在使用更小模型的同时，获得更符合人类习惯的走法预测。代码、训练好的模型以及完整的训练日志已公开发布。

🔗 访问与资源 (Access & Resources)