Параметрическая эффективность и масштаб данных
В отличие от традиционных подходов, рассматривающих каждую позицию изолированно, Otter моделирует игру как последовательный процесс. Модель содержит всего 15,3 млн параметров и обучалась на датасете из 6,1 миллиарда позиций, извлеченных из 117 миллионов партий Lichess Rapid за 30-дневный период. Обучение заняло всего 30 дней на одном GPU NVIDIA T4, что демонстрирует высокую эффективность архитектуры.
Два ключевых фактора: история и время
Архитектура Otter опирается на два специфических сигнала для прогнозирования ходов:
- История ходов (Move History Encoder): анализирует последние 20 ходов, чтобы уловить предпочтения в дебютах, позиционные сдвиги и внутриигровые поведенческие паттерны игрока.
- Модуль контроля времени (Time Control): корректирует предсказания в зависимости от давления на часах, что критически важно для имитации человеческой логики в цейтноте.
Результаты: обгон лидера рынка
Otter демонстрирует выдающиеся метрики точности, превосходя предыдущего лидера — модель Maia 2. При этом Otter требует значительно меньше вычислительных ресурсов и данных для обучения. Точность предсказания лучших ходов достигает пика в группе игроков с рейтингом 1900–1999.
| Метрика | Otter (15.3M params) | Maia 2 (SOTA prior) |
|---|---|---|
| Top-1 точность | 55.23% | Ниже 55.23% |
| Top-5 точность | 90.95% | Ниже 90.95% |
| Пиковая точность (Elo 1900-1999) | 57.38% | Информация недостаточна |
| Обучающие данные | 6.1 млрд позиций | Больший объем |
Значение для индустрии
Результаты подтверждают гипотезу, что шахматы следует рассматривать как временной и последовательный процесс, а не просто как набор независимых позиций. Использование меньшего количества параметров при более высокой точности открывает путь к созданию легких шахматных ботов, способных адаптироваться к стилю конкретного игрока в реальном времени. Исходный код, обученные модели и логи обучения уже опубликованы в открытом доступе.
Источник: arXiv cs.AI ↗