OpenAI o3战胜人类大师，40轮激战问鼎大模型棋王

快速阅读: Kaggle Game Arena举办AI国际象棋积分赛，OpenAI o3以1685分Elo评分夺冠，Grok 4和Gemini 2.5 Pro分列二三。比赛采用40轮对抗模式，仅用文本输入，评估AI认知能力。

Kaggle Game Arena举办国际象棋积分赛后，最新成绩揭晓。OpenAI o3以人类等效Elo 1685分的成绩领先，Grok 4和Gemini 2.5 Pro紧随其后，分别获得第二和第三名。DeepSeek R1、GPT-4.1、Claude Sonnet-4、Claude Opus-4并列第五。

此次比赛采取了40轮的对抗模式，仅使用文本输入，不借助任何工具或验证器，各大AI模型展开激烈角逐。每对模型进行超过40场比赛，最终形成类似围棋等项目的Elo排名。

OpenAI o3以1685分的Elo评分位居榜首，而人类大师水平为2200分。Grok 4和Gemini 2.5 Pro分别以1395分和1343分位列第二和第三。DeepSeek R1、GPT-4.1、Claude Sonnet-4、Claude Opus-4并列第五。

这是Game Arena首次举办的AI国际象棋积分赛，OpenAI o3最终夺冠，证明了其实力。此前，Kaggle曾举办过一次AI国际象棋表演赛，展示了多个通用模型在国际象棋方面的能力。虽然这些模型表现出显著的进步，但淘汰赛的偶然性较大，难以准确衡量模型的真实水平。

Kaggle正式发布了Game Arena平台上的国际象棋文本排行榜，旨在通过透明的测试设计、丰富的游戏数据和不断更新的多游戏排行榜，评估AI的真实认知能力。排行榜基于所有参赛模型之间的循环赛结果，每对模型进行20场白棋和20场黑棋的对决，共40场比赛。

为了估算这些模型的人类等效Elo评分，它们与L0到L3不同等级的国际象棋Stockfish引擎对弈。通过线性插值法，根据Stockfish各等级对应的人类Elo评分，计算出大模型的人类等效Elo分。具体来说，L0对应1320分，L1对应1468分，L2对应1608分，L3对应1742分。

尽管这些模型取得了不错的成绩，但与顶级人类棋手仍有较大差距。人类“大师”级棋手的评分为2200分或更高，“特级大师”为2500分或更高，而最强版本的Stockfish引擎估计的人类Elo评分高达3644分。

排行榜还增加了“平均每回合Token数”和“平均每回合成本”等指标，以反映模型在性能和效率之间的权衡。然而，这个排行榜也存在一些限制和缺陷，如仅限于国际象棋、严格的每步棋时间限制以及抽样随机性。

Kaggle的YouTube播放列表提供了带解说的表演赛录像，而排行榜上则提供了更多的对局回放。用户只需点击模型旁边的回放图标，选择想要观看的对局即可。此外，Kaggle还发布了一个包含可移植棋谱(PGN)和模型公开推理过程的数据集，旨在评估和比较通用语言模型的战略推理能力。

Kaggle认为，国际象棋文本输入测试的重要性在于：超越数据污染问题，确保每一步决策都源自模型的内部逻辑；在高压环境下考验模型的随机应变和恢复能力；为通用人工智能(AGI)的发展提供有价值的参考。

Kaggle计划定期将新模型加入国际象棋文本排行榜及其他Game Arena排行榜，以跟踪AI模型在战略规划、推理和其他认知能力方面的进步。未来，Game Arena将推出更多游戏的排行榜，为AI模型的能力评估提供更全面的基准。今天的国际象棋文本排行榜只是第一步。

(以上内容均由Ai生成)