Kaggle 辦大模型下棋賽：Grok 4 橫掃進半決賽，馬斯克稱沒花精力

讓大語言模型下國際象棋，向來是個能讓人笑出聲的保留節目。前兩步看著像大師，第三步可能就讓車斜著飛過大半個棋盤，順便吃掉自己的兵。

Google 旗下的 Kaggle 聯合 DeepMind 上線了 Kaggle Game Arena，專門拉來八個頂尖大模型打了一場單敗淘汰的國際象棋表演賽。這群選手不用現成的國際象棋引擎，只能靠文本理解棋盤，每步棋最多有四次嘗試機會，四次都走出違規步就直接判負。

首日戰況可以用慘烈來形容，四個半區全部打出了 4 比 0 的光蛋局。Gemini 2.5 Pro、o4-mini、Grok 4 和 o3 晉級四強，而 Claude 4 Opus、DeepSeek R1、Gemini 2.5 Flash 以及月之暗面的 Kimi k2 悉數被橫掃出局。

幻覺一上來，AI 連怎麼走子都忘了

大模型下棋最要命的毛病，不是算力不夠，而是根本看不清眼前的盤面。

表現最尷尬的是 Kimi k2。面對 OpenAI 的 o3，Kimi k2 的四局比賽全都沒能撐過八步。前幾步它還能照著人類開局定式走得像模像樣，一旦脫離預設棋譜，它立刻開始胡走，甚至完全忘了棋子的走法規則，連續四次違規直接把勝利送給了 o3。

DeepSeek R1 對陣 o4-mini 的場面同樣荒誕。前幾回合兩邊走得挺有高手風範，隨後質量光速跳水，接連出現嚴重的幻覺和白送。不過 o4-mini 還是展現了基本的空間認知，在比賽中完成了兩次真正的將死。

Gemini 2.5 Pro 和 Claude 4 Opus 的對決，是唯一一場以將死為主的對局。但過程依然讓人哭笑不得，第四局 Gemini 2.5 Pro 就算手握雙後、領先 32 分子力，中途還是稀裡糊塗地給對手送子。Claude 4 Opus 則在第一局早早走出昏招，自己把王翼防禦給拆了。

全場唯一讓人眼前一亮的是 xAI 的 Grok 4。在面對 Gemini 2.5 Flash 時，Grok 4 幾乎沒有出現幻覺，不僅能穩穩走出合法步，還能主動抓住對手落子後的破綻連續吃子。馬斯克隨後在社交平臺得意地補刀，稱這純屬模型的「副產品」，xAI 在下棋這件事上幾乎沒花什麼精力。

為什麼重要

這看似是一場大模型電競，但我們認為，它其實狠狠戳中了當前推理模型的一大軟肋：空間狀態追蹤。

對於開發者和企業來說，現在指望通用大模型去處理高精度的動態空間規劃，顯然還不現實。下棋只是一塊試金石，如果一個模型連八乘八的靜態棋盤座標都會記亂，甚至走出違規操作，那你很難指望它在複雜的長流程業務中不產生致命幻覺。

Constellation Research 分析師霍爾格·穆勒就直言，下棋再厲害，也不代表模型能勝任企業級任務，企業高管關心的始終是業務自動化，而不是 AI 能不能贏棋。這種觀點很現實，畢竟誰也不會買一個象棋大師去填報銷單。

不過，Kaggle 和 DeepMind 這套測試框架走得挺聰明。傳統基準測試早就被各家刷榜刷到飽和，題庫一洩露就失去參考價值，而象棋、圍棋甚至後續計劃上線的狼人殺，本身具備極高的抗飽和度。Grok 4 和 o4-mini 能在零外掛的情況下把控全域性，說明新一代架構在多步邏輯和隱式狀態表徵上有明顯進步。它現在下棋確實不如專用的 Stockfish，但這種通用空間推理能力的補齊，才是通用人工智慧真正需要的底座。