jqe：新的最强揭棋电脑
作者 Brian H. Liou · 与 Claude 合写 · 由英文机器翻译发布于 2026年10月27日
揭棋在 Mistboard 上有了新的最强电脑。jqe 是 Devin O'Keefe 开发的开源引擎，10 月 13 日首次发布，我们经他许可在这里使用它。它对此前最强的电脑 AB-JChess 0.2d 赢了 171 盘，和 15 盘，输 114 盘，约合 67 Elo。现在就可以和它下一盘；AB-JChess 仍留在电脑阶梯上，排在它下面一级。
这 300 盘棋来自 150 组暗子布局，每组红黑互换各下一次，每步 4 秒，用的是本站的设置。同一组布局的两盘都赢，jqe 做到了 43 次，AB-JChess 做到了 19 次。全部 300 盘都在一个研究里，每盘一章。
jqe 给翻子打分和精确方法一样准，代价只有十分之一
每一次翻子都是一场引擎必须估价的赌博。暗子一动就会翻开，所以引擎走暗子时并不知道自己走的是什么。它会对这个暗子可能是的每一种棋子各走一次这步棋，给每种结果打分，再按每种棋子还有多少下落不明加权平均。我们看过的揭棋引擎都是这样做的。
常用的捷径会让翻子看起来比实际更安全。为了节省时间，搜索一旦知道某步棋不如目前最好的一步，就会停止计算，交回一个界限，也就是“最多这么多，或者更差”，而不是真实的分数。用来比较着法没有问题，放进平均里就错了：一个会被将死的棋子，可能以“不超过 +7”的形式返回，然后被当成 +7 计算。我们的皮卡鱼电脑有这个缺陷，我们检查过的那个 AB-JChess 版本也有。翻子错误那篇文章展示了它让我们的电脑走出了哪些棋。
精确的修正方法早在 1983 年就有了，但它很慢。Bruce Ballard 的 Star1 在搜索每一步带随机性的着法时，都设定能让每种结果如实返回的界限，所以平均值是对的。jqe 的报告在 jqe 实战走过的 72 次翻子上，测量了这两种方法，以及 jqe 自己的方法：
| 方法 | 高估幅度 | 搜索局面数 |
|---|
| 常用的捷径 | 0.021 | 1 倍 |
| Star1，精确（Ballard，1983） | 0.009 | 11.5 倍 |
| jqe 的方法 | 0.009 | 1.15 倍 |
每种方法对 jqe 的 72 次翻子高估了多少（以期望得分计，0.01 即一百分中的一分），以及需要多少搜索量。数据来自 jqe 的报告。jqe 只多花 15% 的工作量，就达到了 Star1 的准确度。对走动的暗子可能是的每一种棋子，它都少搜 6 个半回合的深度，并且不做截断，所以每种棋子返回的都是真实分数；同时它还会对可能性最大的那种棋子做完整深度的搜索。
我们修复皮卡鱼电脑时只修了它正在选择的那一步，因为在每次翻子都取精确平均会让它弱大约 150 Elo。jqe 这个更省力的版本用在所有地方，反而有提升。
比 AB-JChess 小 90 倍的神经网络
jqe 用一个 1.5 MB 的神经网络评估局面，比 AB-JChess 0.2d 使用的网络（2026 年 10 月 10 日版；AB-JChess 之后的版本可能会更换）小大约 90 倍。jqe 的网络只用它自己的对局训练，共 8200 万个局面，而 AB-JChess 的第一个网络用了大约十亿个局面。小网络运行起来很快：同样的时间里，jqe 看的局面大约是 AB-JChess 0.2b（0.2d 的上一个版本）的 30 倍。它的输入还会统计每一枚仍然盖着的暗子，所以它能看出一次翻子可能翻出什么。
jqe 对局面的判断比 AB-JChess 更准
两个引擎每走一步都会报出一个分数，我们用为各引擎分别拟合的曲线把它换算成胜率。有 142 盘棋，jqe 给自己 75% 或更高，而 AB-JChess 在前一步或后一步只给 jqe 60% 或更低。这些棋 jqe 赢了 116 盘。反过来的情况出现在 33 盘棋中，AB-JChess 赢了其中 23 盘。
下面前两盘棋里，AB-JChess 的一个暗子翻出来是车，而且正好落在 jqe 能吃掉它的位置。第三盘里，两个引擎对谁占优看法不一。
第 46 盘：jqe 第 8 回合吃掉车
jqe 执黑。第 8 回合，AB-JChess 的一个暗子吃掉 jqe 的一个子，翻出来是车，jqe 的一个暗子随即把它吃回。AB-JChess 直到第 18 回合都认为局势接近；jqe 第 35 回合将死对方。
第 239 盘：炮将军，赢得一车
jqe 执红。第 5 回合，AB-JChess 把一个暗子往前走，翻出来是车。jqe 的炮离开边线，到中路将军，同时让出这条直线，给它身后的暗子打开通路；黑方怎么应将都保不住这个车。AB-JChess 到第 16 回合才第一次给 jqe 75%；jqe 第 39 回合将死对方。
第 152 盘：AB-JChess 错过杀棋，丢了一车
jqe 执黑，而且处于下风：从第 19 回合起，两个引擎都给 AB-JChess 86% 或更高。第 22 回合 AB-JChess 有一套连杀，第一步是车吃兵；让 AB-JChess 自己搜得更久，它也能找到。实战中它却用另一个车吃士将军，jqe 的将吃掉了这个车。AB-JChess 报告这步棋是胜势，但这个分数是它的搜索在 4 秒用完时还没验证完的。同一步棋给它 15 秒，它的评分约为红方多四个兵，远不及它放弃的杀棋。这次比赛中两个引擎每步都正好 4 秒，搜索没把握时也不加时，第 152 盘说明了这样做可能付出的代价。
jqe 一吃掉车就给自己 81%，再走一步就是 99%。第 23 回合之后 AB-JChess 仍给自己 95%，第 24 回合才跌到 9%。jqe 第 36 回合将死对方。
jqe 也不总是对的。第 40 盘，jqe 在自己的最后一步给自己 67%，而 AB-JChess 只给它 2%，下一步就将死了它。
它排在哪里
jqe 排在揭棋电脑列表的最上面，比 AB-JChess 高一级，皮卡鱼的各个级别排在它们下面。它对 AB-JChess 0.2d 的领先，比当初对较旧的 0.2b 要小，因为新版本更强：0.2d 对旧版的胜幅约为 54 Elo。
| 对手 | 用时 | 局数 | 结果 | Elo | 区间 |
|---|
| AB-JChess 0.2d | 每步 4 秒 | 300 | 171-15-114 | +67 | +31 到 +104 |
| AB-JChess 0.2b | 每步 4 秒 | 100 | 71-4-25 | +173 | +101 到 +262 |
| AB-JChess 0.2b | 每步 15 秒 | 50 | 33-4-13 | +147 | +58 到 +261 |
| AB-JChess 0.2b | 60 秒 + 0.6 秒 | 1,000 | 701-24-275 | +158 | +136 到 +181 |
| 我们的皮卡鱼电脑 | 60 秒 + 0.6 秒 | 1,000 | 761-20-219 | +211 | +187 到 +236 |
jqe 的战绩：胜-和-负。区间为 95% 置信区间。最后两行来自 jqe 自己的报告，用的是其作者的裁判程序；其中的皮卡鱼对手是我们 9 月 21 日的皮卡鱼电脑，当时还没有修复翻子错误。每一行都是一场独立的比赛，暗子布局和设置各不相同，所以这些差距不能相加。我们的比赛在我们自己的裁判程序上进行，它的规则和 jqe 的不完全一样：任何三次重复局面都判和，任何连续 60 回合无吃子也判和；而按 jqe 自己的规则，长将的一方判负，连续 40 回合无吃子判和。对 0.2d 的 300 盘里，有 15 盘以重复局面结束，还有一盘超过了 40 回合无吃子，最后 jqe 赢下。裁判程序还会把被暗吃的棋子向双方引擎公开，而在本站只有吃子方才知道它是什么。两个引擎看到的信息相同，所以谁也没有因此占便宜。
致谢
jqe 以 MIT 许可证开源，地址是 github.com/devinokeefe/jieqi，其中包括它的神经网络、比赛记录，以及能重算报告中每一个数字的工具。恭喜 Devin O'Keefe，也感谢他允许我们在这里使用它。同样感谢 Huorongrong 和 Laoxu，他们的 AB-JChess 是 jqe 必须超越的标杆。