闹玩呢！首届大模型对抗赛，DeepSeek、Kimi第一轮被淘汰了
在玩游戏方面，到底哪个模型最厉害？为了回答这个问题，谷歌近日发起了首届大模型国际象棋对抗赛。
这个比赛是在一个名叫「Kaggle Game Arena」的平台上进行的。这是 Kaggle 公司的一个新项目，旨在跳出平时的基准测试框架，探索像 Gemini、DeepSeek 等 LLM 在动态和竞争环境中表现如何。
在昨天的报道中，我们详细描述了这场比赛的规则，比如不允许模型调用 Stockfish 等国际象棋引擎。
Kimi k2 与 o3 的对局较早结束，四局比赛都在八步棋内完成。由于 Kimi k2 连续四次未能找到合法着法而被判负，o3 获得了全胜。
不过需要说明的是，与 o3 对战的 Kimi K2 Instruct 为非推理模型，打不过 o3 也在预料之中。
虽然 Kimi k2 未能获胜，但这场比赛也为我们提供了有价值的观察。从 Kimi k2 的走棋注释来看，它在开局阶段能够遵循棋谱理论行棋。然而，一旦脱离了熟悉的开局理论，技术问题就开始显现 —— 而对 Kimi k2 来说，这个转折点来得较早。
Kimi k2 遇到困难的具体原因还需要进一步分析。在某些时候，它能清楚看到棋子的位置，却似乎忘记了棋子的走法。
OpenAI 的 o4-mini 与 DeepSeek R1 之间的对局呈现出了独特的特点。如果单独观察每局比赛的前几步棋，你可能会以为这是两位高手在过招。然而对局进行到某个阶段后，棋局质量就会突然断崖式下跌。
尽管如此，o4-mini 在这场比赛中成功实现了两次将军 —— 这是一个值得注意的成就，考虑到对 AI 系统来说，准确把握整个棋盘状态本身就具有相当的挑战性。
Gemini 2.5 Pro 与 Claude 4 Opus 的对局是本次比赛中唯一一个通过「将杀」获胜的场次多于因违规行棋告负的场次的比赛。不过，目前尚不清楚 Gemini 2.5 Pro 的真实棋力究竟如何，也不确定其胜利在多大程度上得益于 Claude 4 Opus 的失误表现。
这场比赛第四局出现了一个耐人寻味的局面：Gemini 2.5 Pro 当时拥有 32 分的子力优势，棋盘上甚至有两个后。然而尽管火力全开，它在完成将杀的过程中仍然出现了送子的情况。
但更值得分析的是本场比赛的第一局。前九个回合，双方 AI 都表现稳健，着法精妙。然而就在此时，执黑的 Claude 4 Opus 做出了一个草率的决定，走 10...g5。这步棋不仅白送一兵，还彻底破坏了己方王城的安全，直接加速了败局的到来。从双方 AI 的赛后评注中，我们可以看出一些端倪：
今日表现最为亮眼的当属 Grok 4。除了以全胜战绩收获 4 分外，其棋艺水平也堪称目前最佳。虽然对手 Gemini 2.5 Flash 多次失误送子确实降低了比赛难度，但与其他 AI 不同的是，Grok 4 展现出了精准捕捉无保护棋子的能力，并能果断实施打击deepseek。
Grok 4 的出色表现甚至引起了科技界的关注，其创始人埃隆・马斯克在 X 平台简短互动时，再次提及他那个著名观点 ——「国际象棋太过简单」。
截至目前，大语言模型在象棋对弈中暴露出三大关键短板：全局棋盘视觉化能力不足、棋子间互动关系理解有限，以及由此引发的合法着法执行问题。而 Grok 4 的出色表现证明，它似乎成功突破了这些限制。
我们曾在昨天的报道中发起了一个投票，目前已有近 4000 位读者参与。从目前的数据看，大家此前最看好的是 Gemini 2.5 Pro—— 赢得了超过 37% 的票数。
现在，第一天的比赛结果已经出炉，我们也稍微了解了各个模型的表现，不知道大家的想法有无变化呢？原文出处：闹玩呢！首届大模型对抗赛，DeepSeek、Kimi第一轮被淘汰了，感谢原作者，侵权必删！
