AB-JChess 从 jqe 手中夺回揭棋榜首

比赛结果

这 600 盘棋来自 300 组暗子布局，每组红黑互换各下一次，用 4 个线程，每步 4 秒。和 jqe 对上一版 AB-JChess 的比赛一样，我们的裁判程序把任何三次重复局面，以及双方各连续 60 步无吃子，都判为和棋。暗子被吃时，裁判程序会向两个引擎公开它是什么；在 Mistboard 上，只有吃子方才会知道。

AB-JChess 的优势几乎全部来自执红的对局。整场比赛约合 +46 Elo，95% 区间为 +23 to +69。按 Mistboard 自己的重复局面规则计分则约为 +41，下文会说明。

用两个引擎解读五盘棋

如何查看这些对局

每个棋盘都从两个引擎意见不同的一步开始，走这步棋的一方最终输棋或和棋。只要两个引擎选择的着法不同，蓝色箭头就表示 AB-JChess 的选择，橙色箭头表示 jqe 的选择。棋盘下方的曲线是两个引擎按比赛设置评估的胜方胜率，AB-JChess 用青绿色，jqe 用橙色；着法列表中的注释说明局势在哪里转变，以及各引擎当时的预期。翻子旁的骰子根据双方可见的信息，为这次翻子的运气评分；研究中收录了全部六盘棋。

第 1 盘 AB-JChess 获胜：一步进兵输掉残局

所有棋子都已翻开，局面均衡。jqe（红方）选择进兵，AB-JChess 则会用马换掉黑方的士。AB-JChess 立刻看出，进兵会让黑炮转到另一侧攻击红帅；jqe 八个回合后才看出来。第 103 回合，红方无合法着法，黑方获胜。jqe 为什么进兵？时间不够并不是原因：把搜索量增至 16 倍，它仍选择进兵，仍判断为必和。它对局面的判断有误，并非漏算了某步棋。AB-JChess 关闭长捉规则，并增加同样的搜索量后，仍能看出进兵会输。

第 2 盘 AB-JChess 获胜：翻子决定胜负

黑车已经进入红方底线。jqe 把它撤回，AB-JChess 则会让它留下。后来的两步棋决定了胜负：第 35 回合红方翻出兵，两个引擎都认为局面均衡；第 36 回合红方暗吃一子，两个引擎都认为红方已是胜势。红方在第 66 回合获胜。两个引擎对这两步的判断相同，所以这盘棋无法说明它们对车的处理谁对谁错。

第 3 盘 AB-JChess 获胜：jqe 走炮引出一连串不利的兑子

红方在第 14 回合用炮暗吃一子后占优。jqe 走炮，引出一连串兑子：黑方用卒和马换掉红方的相和仕。AB-JChess 认为这些兑子对黑方不利，jqe 却认为没有问题，两个回合后才同意 AB-JChess 的判断。红方在第 72 回合获胜。连续三次翻子促使 jqe 改变判断，所以这个例子的说服力不如第 1 盘。

第 4 盘 jqe 获胜：AB-JChess 两次翻子不利

棋盘上还有很多暗子，jqe 已经认为黑方占优。AB-JChess 走了一步没有直接威胁的炮棋，jqe 则会翻子。两个引擎都无法看清翻子后的走向，所以无法判断谁对。运气决定了胜负：AB-JChess 在第 19 回合翻出兵，随后又翻出车，立刻被黑炮吃掉。黑方在第 30 回合获胜。

第 5 盘和棋：AB-JChess 已是胜势，却走成重复局面

红方在这盘棋的大部分时间里都大幅领先，但黑方逐渐追了回来。第 50 回合红方翻出兵后，AB-JChess 认为黑方已是胜势。随后红车和黑象来回移动，同一局面出现三次，比赛判为和棋。AB-JChess 没有预见到重复局面，因为比赛只向每个引擎提供当前局面，没有提供此前的着法。

第 1 盘相差八个回合，是较长的情况，另外四盘只差两三个回合。纵观整场比赛，以每个引擎自己的评分开始持续给最终胜方至少 70% 胜率的回合为起点比较，AB-JChess 的 304 盘胜局中，有 232 盘两个引擎相差不超过一个回合；判断有先后时，较晚的是 jqe 的有 119 盘，是 AB-JChess 的有 72 盘。在 jqe 的 227 盘胜局中，两者判断较晚的次数接近，AB-JChess 有 76 盘，jqe 有 75 盘。

它们的下法有何不同

jqe 高估了小幅优势

jqe 认为自己略占优势时，最终赢棋的比例低于 AB-JChess 给出相同评分时的比例。

无论输赢，jqe 都暗吃更多棋子

两个引擎在赢棋时都暗吃得更多，因此表格按比赛结果分组。

我们没有测出这给 jqe 带来什么损失。在接近均衡的局面中，暗吃后再走一步，jqe 的胜率平均下降 1.7 个百分点，AB-JChess 下降 0.7 个百分点，这一差距小于样本中的随机波动。

这场比赛说明了什么

一半暗子布局本身就决定了胜负

每组暗子布局都红黑互换下了两盘。在 300 组布局中，有 147 组是同一颜色两盘都赢，其中红方 93 组，黑方 54 组，也就是说，无论哪个引擎执这一方，胜负都由布局决定。AB-JChess 的优势来自其余布局：同一组布局的两盘都赢，它做到了 56 次，jqe 做到了 34 次。

AB-JChess 的优势在于判断，而非搜索深度

在 AB-JChess 的胜局中，jqe 判断出结果较晚；而在 jqe 的胜局中，两个引擎没有谁明显更晚。第 1 盘里，把搜索量增至 16 倍后，jqe 仍把必输残局判断为必和；它认为自己略占优势时，最终得分也低于 AB-JChess 给出相同评分时的得分。两者都说明：jqe 的问题在于如何评估平静局面和兑子，而非搜索得不够远。两个引擎都不会搜索翻子之后的着法，所以对双方而言，翻子都仍需猜测，第 4 盘就是如此。

按 Mistboard 的规则，大部分和棋都不该判和

我们的裁判程序把所有三次重复局面都判为和棋。Mistboard 则将重复过程中每一步都将军的一方判负。67 盘和棋中，有 42 盘是一方长将，其中 40 盘两个引擎都已认为另一方是胜势，持续将军成了劣势方避免输棋的办法。按 Mistboard 的规则计分，AB-JChess 赢 323 盘，和 25 盘，输 252 盘，约合 +41 Elo，95% 区间为 +17 to +66。上面的 +46 保留了裁判程序的规则，和 jqe 对上一版 AB-JChess 的比赛相同，便于比较两场比赛。

仍判和棋的 25 盘中，有 9 盘两个引擎都认为一方已是胜势，却仍走成了重复局面，其中 8 盘是 AB-JChess 占胜势。这正是第 5 盘暴露的问题：比赛中每个引擎只能看到当前局面，无法预见重复。Mistboard 会向电脑发送自上次吃子或翻子以来的着法，所以它们能够发现重复局面。

两个引擎还各自带有长捉规则，也就是一方持续攻击同一棋子所形成的重复局面的规则，两者都与 Mistboard 不同。jqe 将重复过程中每一步都捉同一棋子的一方判负。AB-JChess 则只要一方有任何一步捉子，而另一方从未捉子，就将前者判负。

此后红车每走一步都攻击黑马。按 jqe 的规则红方判负，所以 jqe 直到终局都给黑方至少 72% 的胜率；按 AB-JChess 的规则，黑马也在反捉，因此它判断为和棋。Mistboard 对长捉判和，所以 jqe 依赖的是本站对局并不采用的规则。逐步查看棋盘，可以比较两个引擎开启和关闭各自规则时的搜索结果。

神经网络更小，搜索更快

新版本基于 Devin O'Keefe 以 MIT 许可证发布的 jqe 代码重建，使用自己的神经网络。这个网络是 0.6 MB，上一版是 144 MB，jqe 的是 1.5 MB。小网络运行得快，所以新版本每秒查看的局面数约为上一版的 65 倍，也比 jqe 略多。

每个引擎在 4 秒内搜索约 22 百万个局面。为检验它们是否时间不足，我们让各引擎用两倍搜索量，重新搜索 20 盘棋中自己走过的着法。AB-JChess 会在 20% 的时候改走别的棋，jqe 则是 18%，对两者而言，每步改动平均都只增加 0.07 个百分点的胜率。提高至少 5 个百分点的改动，AB-JChess 在 754 步中出现一次，jqe 在 750 步中出现一次。更多时间对双方都有一点帮助，帮助的程度也相近。

复盘

揭棋复盘使用 AB-JChess，因此新复盘会采用新版本。在我们的服务器上，它每秒搜索的局面数约为旧版的 47 倍，同样时间里复盘能看得更远。

复盘中的评分是引擎自己的数值，每个神经网络的尺度不同。旧网络的尺度很陡：+1.1 就已表示 75% 的胜率。新网络的尺度与 jqe 接近，75% 对应 +4.1。所以同一局面现在会显示更大的数值，我们用这场比赛中的 9,776 个局面拟合了新网络的胜率。旧复盘保留旧数值，因此比较新旧复盘时，要看胜率，不要直接比较评分。

致谢

AB-JChess 以 GPL-3.0 许可证开源，地址是 github.com/lxsgx23/AB-JChess。每次构建网站时，神经网络都从作者自己的发布版本下载，我们不另行托管。感谢 Huorongrong 和 Laoxu（Kouza）。Laoxu 负责训练 AB-JChess 的神经网络，这次测试了四种翻子搜索方法，保留了最好的一种；他与 Huorongrong 共同设计了这个小而快的网络。也感谢 Devin O'Keefe，新版本基于他提供的代码开发。