Kaggle 办大模型下棋赛：Grok 4 横扫进半决赛，马斯克称没花精力

让大语言模型下国际象棋，向来是个能让人笑出声的保留节目。前两步看着像大师，第三步可能就让车斜着飞过大半个棋盘，顺便吃掉自己的兵。

Google 旗下的 Kaggle 联合 DeepMind 上线了 Kaggle Game Arena，专门拉来八个顶尖大模型打了一场单败淘汰的国际象棋表演赛。这群选手不用现成的国际象棋引擎，只能靠文本理解棋盘，每步棋最多有四次尝试机会，四次都走出违规步就直接判负。

首日战况可以用惨烈来形容，四个半区全部打出了 4 比 0 的光蛋局。Gemini 2.5 Pro、o4-mini、Grok 4 和 o3 晋级四强，而 Claude 4 Opus、DeepSeek R1、Gemini 2.5 Flash 以及月之暗面的 Kimi k2 悉数被横扫出局。

幻觉一上来，AI 连怎么走子都忘了

大模型下棋最要命的毛病，不是算力不够，而是根本看不清眼前的盘面。

表现最尴尬的是 Kimi k2。面对 OpenAI 的 o3，Kimi k2 的四局比赛全都没能撑过八步。前几步它还能照着人类开局定式走得像模像样，一旦脱离预设棋谱，它立刻开始胡走，甚至完全忘了棋子的走法规则，连续四次违规直接把胜利送给了 o3。

DeepSeek R1 对阵 o4-mini 的场面同样荒诞。前几回合两边走得挺有高手风范，随后质量光速跳水，接连出现严重的幻觉和白送。不过 o4-mini 还是展现了基本的空间认知，在比赛中完成了两次真正的将死。

Gemini 2.5 Pro 和 Claude 4 Opus 的对决，是唯一一场以将死为主的对局。但过程依然让人哭笑不得，第四局 Gemini 2.5 Pro 就算手握双后、领先 32 分子力，中途还是稀里糊涂地给对手送子。Claude 4 Opus 则在第一局早早走出昏招，自己把王翼防御给拆了。

全场唯一让人眼前一亮的是 xAI 的 Grok 4。在面对 Gemini 2.5 Flash 时，Grok 4 几乎没有出现幻觉，不仅能稳稳走出合法步，还能主动抓住对手落子后的破绽连续吃子。马斯克随后在社交平台得意地补刀，称这纯属模型的「副产品」，xAI 在下棋这件事上几乎没花什么精力。

为什么重要

这看似是一场大模型电竞，但我们认为，它其实狠狠戳中了当前推理模型的一大软肋：空间状态追踪。

对于开发者和企业来说，现在指望通用大模型去处理高精度的动态空间规划，显然还不现实。下棋只是一块试金石，如果一个模型连八乘八的静态棋盘坐标都会记乱，甚至走出违规操作，那你很难指望它在复杂的长流程业务中不产生致命幻觉。

Constellation Research 分析师霍尔格·穆勒就直言，下棋再厉害，也不代表模型能胜任企业级任务，企业高管关心的始终是业务自动化，而不是 AI 能不能赢棋。这种观点很现实，毕竟谁也不会买一个象棋大师去填报销单。

不过，Kaggle 和 DeepMind 这套测试框架走得挺聪明。传统基准测试早就被各家刷榜刷到饱和，题库一泄露就失去参考价值，而象棋、围棋甚至后续计划上线的狼人杀，本身具备极高的抗饱和度。Grok 4 和 o4-mini 能在零外挂的情况下把控全局，说明新一代架构在多步逻辑和隐式状态表征上有明显进步。它现在下棋确实不如专用的 Stockfish，但这种通用空间推理能力的补齐，才是通用人工智能真正需要的底座。