会下棋的AI终于会说话了：QUEEN如何既下得好又讲得清

国际象棋界有一个长期被忽视的尴尬事实。

现在最强的国际象棋引擎，比如Lc0，下棋水平远超人类特级大师，但你如果问它"为什么走这步",它什么都不会告诉你。它只会给你一个局面评分，一个推荐走法，仅此而已。它是个沉默的专家，闷头干活,从不开口解释。

这不是什么新鲜事，但2026年普林斯顿大学的一支研究团队把这个问题摆到了台面上，并且给出了一个相当巧妙的解法。他们做的模型叫QUEEN,只有40亿参数,却能一边下出大师级的棋,一边用流畅的自然语言告诉你为什么。更有意思的是，这个模型在棋力上超过了参数量是它几百倍甚至上千倍的GPT-5.6和Gemini-3.1这些顶级大模型。

这件事情本身就值得琢磨一下。

一个会下棋但不会说话的专家,和一群会说话但下棋一般的通才,谁更有用?

先说说这个困境到底有多真实。

传统的国际象棋AI发展史其实挺有意思的。1997年深度蓝打败卡斯帕罗夫,靠的是手工设计的评估函数加暴力搜索。后来阿尔法狗的姐妹项目AlphaZero证明,一个纯靠自我对弈训练的神经网络,完全可以超越那些精心调教了几十年的手工引擎。再往后,Transformer架构被引入国际象棋领域,诞生了Leela Chess Zero(简称Lc0)这样的引擎,下棋水平逼近超人类级别。

但这些引擎从头到尾都是"闷葫芦"。它们的内部结构,是只处理64个格子信息、输出一个走法概率分布的网络,根本没有生成自然语言的能力。想让它开口说话,得从架构上大改,这不是加个输出层就能解决的事。

另一条路是训练语言模型来下棋,或者让语言模型给已经下好的棋生成解说。但问题在于,这些语言模型本身棋力堪忧。研究团队提到的C1-4B是之前的工作成果,参数量和QUEEN差不多，结果在和各种引擎对局的测试里32盘棋全部输掉,Elo评分只有514分左右,这个水平连业余爱好者都算不上。

这就是整篇论文要解决的核心矛盾：

棋力强的沉默,棋力弱的话多。

那怎么把两者的优点捏合到一起?

研究团队的答案是搭一座桥,一边连着不会说话的国际象棋专家网络,一边连着不懂下棋的语言模型。

编码器-解码器架构：怎么让语言模型"看懂"棋局

QUEEN的架构设计借鉴了视觉语言模型里的一个经典思路,叫Flamingo。

Flamingo架构：一种让语言模型通过交叉注意力机制读取另一个模型(通常是视觉编码器)输出的特征表示的方法,最早用于图文多模态任务。

具体来说,QUEEN用了两个现成的模型。一个是Leela(确切地说是Lc0家族里的BT5网络),这是个2.4亿参数的纯编码器模型,只处理棋盘状态,下棋水平接近超人类,但是个哑巴。另一个是SmolLM3-3B,一个30亿参数的通用语言模型,会说话,但对国际象棋几乎一无所知。

这两个模型之间怎么对话?研究者引入了"门控交叉注意力层"。

门控交叉注意力：一种注意力机制变体,通过一个可学习的开关(用tanh函数实现)控制外部信息注入解码器的强度，初始状态下这个开关几乎关闭,训练过程中逐渐打开,避免一开始就被无关信息干扰。

论文里有个细节值得单独说一说。Flamingo原本的设计只用编码器最后一层的输出,但QUEEN的做法是,把Leela的第k层输出接到语言模型的第2k层之前。也就是说,编码器从浅到深各个阶段的信息,都会按比例送进解码器的不同深度。

这个设计选择背后的逻辑其实挺朴素的。棋局分析不是一次性的事情,浅层可能对应着"棋子在哪里"这种基础信息,深层可能对应着"这个局面有没有潜在的战术陷阱"这种更抽象的判断。如果只用最后一层,相当于只给语言模型一个"最终结论",而不给它看推导过程。

打个比方。

你去医院看病,医生给你的报告如果只写一个诊断结果,比如"疑似肺炎",你大概没法理解这个结论从哪儿来的。但如果报告里同时附上了胸片的局部放大图、血常规的具体指标、体温变化曲线,你(或者另一个要基于这份报告写诊疗建议的医生)就能顺着这些中间证据,拼出一个有逻辑支撑的解释。如果报告只给结论不给过程,后续的解释工作就成了瞎猜,很容易编出一套听起来合理但其实站不住脚的说法。QUEEN如果只接入Leela最后一层的输出,语言模型拿到的也只是一个"浓缩结论",它要在此基础上编故事,大概率会信口开河。接入多层信息,等于把推导的中间状态也交给了语言模型,让它的解释有东西可依附。

架构定下来之后,还有个绕不开的问题:棋盘上的"车"、"马"、"象"这些词,在普通语言模型的词汇表里早就有自己的含义了。英语里"knight"除了马还有骑士的意思,"bishop"是主教。这些词自带的语言学联想,对下棋分析是种干扰。研究团队的解决方式很直接,给64个格子和12种棋子类型各自新增专用词元,强行切断这些词和原来语义的联系。

领域适配:从认棋到预判未来

架构搭好了,接下来的问题是,怎么让这座桥真正起作用,让语言模型学会读懂Leela传过来的信息。

研究团队设计了一套四阶段的问答课程,整体思路是从简单到复杂,层层递进。

第一阶段叫静态当前(STATIC-CURRENT),问的是最基础的问题,比如"g列上有哪些棋子"。第二阶段叫动态当前(DYNAMIC-CURRENT),问题变成"黑方国王能被哪些棋子将军"，开始涉及规则和交互。第三阶段静态未来(STATIC-FUTURE)要求模型先在脑子里推演一串走法之后的局面,再回答关于那个局面的静态问题。第四阶段动态未来(DYNAMIC-FUTURE)则是把推演未来局面和动态推理结合起来,难度最高。

这个顺序安排不是随便定的。

想象你在教一个完全不懂象棋的孩子看棋谱。你不会一开始就让他推算"白方马走日之后,黑方后能不能将军",你得先让他认清棋子,认清棋盘的方位,再教他棋子怎么走,最后才是让他在脑子里"预演"几步之后的局面。如果一步到位,直接丢给他最难的任务,他大概连题目在问什么都看不懂,更别说答对了。QUEEN的四阶段课程本质上就是这套"先会走再会跑"的教学逻辑，论文里的消融实验也验证了这一点,如果跳过这个课程直接训练,模型在战术题上的首步正确率只有1.3%,几乎等于瞎蒙,而完整走完课程之后能达到73.9%。

训练过程中,编码器和解码器本身的参数全程冻结,只有交叉注意力桥和新加的词元向量会被更新。这个训练完成后得到的模型被命名为PAWN,也就是"位置感知网络"的缩写。

贝尔曼更新的语言版本:让模型学会"复盘"

PAWN已经能回答结构化的棋局问题了,但它还没见过研究团队想要的那种完整解释格式,也就是最佳走法加变化线加自然语言说明。

研究团队先用GPT-5.6-Sol(低推理强度版本)给15000个棋局位置生成示范性的解释,过滤掉其中含有非法走法或者明显失误的样本,用来做监督微调,得到PAWN-1。

但PAWN-1的毛病很明显,推荐的走法质量不稳定,偶尔还会推荐非法走法。原因不难猜,老师(GPT-5.6-Sol低版本)本身棋力有限,种子数据量也不大。

这时候研究团队想起了AlphaZero的套路。AlphaZero靠反复用蒙特卡洛树搜索生成更准确的局面评估,再把这些评估蒸馏回网络里,让网络学会不搜索就能给出接近搜索质量的判断。研究团队把这个思路挪到了自然语言领域,搞出了一个类似贝尔曼值迭代的自然语言版本。

贝尔曼更新：一种动态规划思想,核心是用子问题(未来状态)的最优解去更新当前问题(当前状态)的估值,最早由理查德·贝尔曼在1957年提出,广泛应用于强化学习。

具体操作流程是这样的。给定一个根位置,PAWN-k先生成一份包含三个候选走法的分析。如果这三个走法用Stockfish引擎检验下来全是失误,就把最差的那个换成Stockfish给出的最优走法。然后对这三个候选走法分别产生的子局面,PAWN-k再独立生成分析。如果某个子局面的分析本身也推荐了失误走法,就递归地深入到那个子局面继续展开,直到三个子局面的分析都站得住脚,或者达到最大递归深度。

接下来是关键的一步,把三份子局面的分析交给另一个模型Qwen3.8-27B,让它在不添加任何新内容的前提下,把三份分析整合成一份对根位置的综合解释,说明为什么某个走法最好,其他走法又差在哪里。这份综合解释经过筛选后,成为训练下一代模型PAWN-(k+1)的数据。

这个过程让我想起了下棋复盘的场景。

一个棋手下完一局,回去复盘的时候,不会只盯着自己走的那步棋看。他会把当时考虑过的几种走法都摆出来,一个一个推演几步之后会发生什么,然后对比哪种走法真正占优,哪种看似诱人实则有陷阱。复盘的价值恰恰在于看清"没走的那条路会怎样"，如果只记录"我走了这步,结果赢了",下次遇到类似局面还是不知道该怎么选。QUEEN的这套递归搜索加蒸馏机制,本质上是把这种复盘能力批量化、自动化,逼着模型每次输出结论之前,先在心里把几条分支都走一遍,再回头总结。如果没有这个机制,模型很可能会陷入"猜中了但说不清为什么"的状态,给出的解释经不起深究。

整个过程跑了七轮迭代,最后一版被正式命名为QUEEN。

棋力提升的轨迹相当惊人。七轮迭代下来,Elo评分从1782分一路涨到2697分,涨了915分。中间的具体数字是这样的：1782、2024、2187、2346、2539、2434、2559、2697。中途在第六轮出现了一次小幅回落(从2539跌到2434),但整体趋势是稳步上扬。

这个2697分什么概念?中位数的国际特级大师(Grandmaster)在Lichess平台上的闪电棋评分大概是2730分,国际大师(International Master)中位数是2560分。QUEEN已经摸到了特级大师的门槛,甚至超过了国际大师的平均水平。

三个维度的评估:准不准、能不能自圆其说、说得好不好听

光有棋力提升还不够,研究团队搭建了一套三维评估框架,专门考察解释质量。

第一个维度是准确性,看模型推荐的走法本身是不是真的好棋。研究团队让QUEEN和GPT-5.6-Sol、GPT-5.6-Luna、Gemini-3.1-Pro这几个顶级大模型,以及前文提到的C1-4B,各自和8个不同强度的引擎对局,一共32局,统计Elo评分。

结果是QUEEN以2697分排在第一,比Gemini-3.1-Pro(2201分)高出496分,比GPT-5.6-Sol(2071分)高出626分,比GPT-5.6-Luna(1822分)高出875分。这个差距换算成胜率,意味着QUEEN对阵Gemini-3.1-Pro的预期胜率能到94.6%,对阵GPT-5.6-Sol是97.4%。

第二个维度是实证力,也就是模型推荐的走法变化线能不能经得起检验。这里用了两个指标,一个叫无失误率(NMR),统计预测的整条变化线里有没有出现失误;另一个叫首步无失误率(FNMR),只看第一步推荐是不是失误。

测试集分两部分,一部分是1000道难度跨度从609到2905的战术题,另一部分是1000个从普通对局中抽取的一般局面。

| 模型 | 战术题NMR | 战术题FNMR | 一般局面NMR | 一般局面FNMR |

|---|---|---|---|---|

| **QUEEN** | **68.8%** | **91.6%** | **66.6%** | **97.1%** |

| Gemini-3.1-Pro | 66.9% | 82.5% | 63.0% | 89.0% |

| GPT-5.6-Sol | 65.1% | 81.9% | 61.5% | 86.8% |

| GPT-5.6-Luna | 35.6% | 53.5% | 47.1% | 73.6% |

| C1-4B | — | 43.2% | — | 38.8% |

四项指标QUEEN全部拿下第一,尤其是一般局面的首步无失误率,97.1%,比Gemini-3.1-Pro高出8个百分点。

第三个维度是连贯性,专门考察解释文字写得怎么样。研究团队又细分出三个子维度：结构连贯性(有没有把合理的替代方案和关键变化都考虑到)、概念连贯性(有没有正确使用战术术语,有没有胡编乱造)、流畅度(语言表达本身的质量)。评判方式是找GPT-5.6-Sol当裁判,打1到5分的量表分。

| 模型 | 结构连贯性 | 概念连贯性 | 流畅度 |

|---|---|---|---|

| QUEEN | 3.51 | 2.76 | 4.45 |

| **Gemini-3.1-Pro** | **3.55** | 3.30 | **4.98** |

| GPT-5.6-Sol | 3.51 | **3.61** | 4.99 |

| GPT-5.6-Luna | 2.82 | 2.94 | 4.96 |

| C1-4B | 2.48 | 2.16 | 4.94 |

这里QUEEN的表现有点意思,结构连贯性和GPT-5.6-Sol打平,接近Gemini-3.1-Pro,说明它在挑选该讨论的变化线这件事上做得不差。但概念连贯性只有2.76分,明显落后于几个顶级大模型。

研究团队自己也承认了这个短板。他们解释说,反复自我蒸馏的过程确实能把一整棵分析树慢慢压缩进模型权重里,这提升了结构连贯性,但如果某一步分析里出现了对战术motif的幻觉(比如把一个不构成"叉子"的走法硬说成叉子),这种错误有可能在合并过程中被保留下来,进而拉低概念连贯性的分数。这是方法本身暴露出来的一个真实局限,留给了后续研究。

模型到底学到了什么:几个值得深挖的分析实验

论文里还做了几组很扎实的对照实验,挺值得拎出来说说。

第一组是架构消融。研究团队去掉Leela编码器,换成直接把棋盘状态写成文字字典的形式喂给语言模型；再单独去掉领域适配课程,但保留编码器。结果两种消融都让棋力暴跌到514分左右,和C1-4B差不多的水平,战术题首步正确率也跌到个位数。

这个结果说明架构和训练课程缺一不可,少了任何一个,整套系统就退化成了"会说话但不会下棋"的状态,回到了论文开头提出的那个老问题。

第二组实验挺巧妙,是检验QUEEN到底有没有在偷懒。

研究团队担心的事情是,模型会不会只是在学着复刻Leela的走法推荐,然后给自己选的走法硬凑一个事后解释?这种做法如果真发生了,QUEEN的"解释"其实就是空壳,没有真正体现语言模型自己的判断。

他们找了1000个局面,这些局面里至少有5个走法的预期胜率和Stockfish给出的最优走法相差不超过3%,也就是说有好几个走法都差不多好,这时候模型选哪个最能体现它自己的偏好。结果显示,在538个局面(53.8%)里,QUEEN选的走法和Leela不一样。

这说明QUEEN不是简单地把Leela的决策抄一遍再贴标签,它确实在用Leela提供的内部表示做自己的判断。这就好比两个厨师看着同一份食材,一个只会复制另一个的菜谱,另一个则是真正理解了食材特性之后,结合自己的判断调整了做法。如果QUEEN只是在抄,那它在这538个局面上应该和Leela给出完全一样的答案,但它没有。

第三组实验更有野心,想弄清楚离开顶级大模型的指导,QUEEN还能不能走通这条路。

研究团队换了一套数据构造方式,不再找GPT-5.6-Sol生成种子解释,而是用Stockfish的手工评估特征(HCE)生成模板化的解释,替换掉原本的种子训练环节,后续流程保持不变。

| 迭代轮次 | QUEEN(GPT蒸馏版) Elo | QUEEN(HCE版) Elo |

|---|---|---|

| 第一轮 | 1782 | 2115 |

| 第二轮 | 2024 | 2432 |

| 第三轮 | 2187 | 2476 |

| 第四轮 | 2346 | 2497 |

HCE版本甚至在前几轮表现得更好,说明顶级大模型的参与不是这套方法成立的必要条件,整个迭代蒸馏框架本身是自洽的,可以完全脱离昂贵的闭源大模型调用。

这个发现其实挺重要的,因为前面提到调用GPT-5.6-Sol生成种子数据花了652.35美元,如果每次想复现或者扩展这套方法都要走这条路,成本会迅速累积。HCE路线的可行性意味着这套框架的门槛比想象中要低一些。

写在后面

读完这篇论文,最让我意外的其实不是QUEEN的棋力数字,而是那个"53.8%不同于Leela"的实验设计。

很多时候我们评价一个AI系统"学到了什么",往往只能靠结果反推,很容易陷入循环论证。这个实验的巧妙之处在于,它找到了一个具体的、可验证的角度,专门挑那些"选哪个都差不多"的局面,逼着模型暴露自己的真实偏好。这种设计思路本身,比结果数字更值得学习,它提供了一种检验"黑箱系统到底在不在真思考"的具体方法,而不是停留在感觉层面。

另一个让我反复琢磨的地方,是概念连贯性那个2.76分的短板。研究团队没有回避这个问题,直接把它写进了论文正文,还给出了一个相当坦诚的解释：自我蒸馏能传递结构性的东西,但传递不了对错本身。如果老师(或者说前一轮的自己)在某个战术判断上犯了幻觉,这个幻觉会原封不动地被下一轮继承下来,因为整个流程里没有一个独立的"概念正确性"校验环节。这让我想到,很多自我迭代、自我蒸馏的系统可能都有类似的隐患,系统会在它自己能检验的维度上越来越强,但在它检验不到的维度上,错误会悄悄地被固化下来,甚至被当成"学到的知识"反复强化。

这篇论文暂时没有解决的问题,其实恰恰是这个。怎么在自我迭代的过程里加入一道独立的、针对概念正确性的校验关卡?这个问题留白着,也许会是下一篇论文的起点。

Q&A

Q1：QUEEN是什么？

A：QUEEN是普林斯顿大学团队开发的一个40亿参数的国际象棋语言模型,它既能下出接近特级大师水平的棋,又能用自然语言解释自己的走法和思路,解决了"会下棋的AI不会说话,会说话的AI不会下棋"这个长期矛盾。

Q2：QUEEN的棋力到底有多强？

A：经过七轮迭代训练,QUEEN的Elo评分从1782分提升到2697分,超过了GPT-5.6-Sol(2071分)和Gemini-3.1-Pro(2201分),接近Lichess平台特级大师的中位数评分2730分,但参数量只有这些大模型的几百分之一甚至千分之一。

Q3：QUEEN是怎么训练出来的？

A：训练分两大阶段。先用问答课程教语言模型读懂国际象棋引擎Leela的内部表示,再通过一种类似贝尔曼值迭代的自然语言蒸馏算法,反复生成、递归检验、整合解释,把分析能力一轮一轮蒸馏回模型本身,一共迭代了七轮。