知识卡片：Queen——会下棋并解释走法的语言模型

一句话结论

据 arXiv 摘要，Queen 是一个 4B 参数的 chess-language model，能在典型特级大师水平下棋，并解释自己的走法与计划；其框架把静默专家棋编码器与指令微调 LM 通过 cross-attention 结合，并用迭代蒸馏把 Elo 从 1782 提升到 2697。

事件概述或研究问题

现代棋引擎是“静默专家”：棋力超人，但不解释自己的走法。语言模型能生成看似合理的解释，但棋力较弱，限制了这些解释的实用性。论文提出 Queen，一个 4B 参数的棋语言模型，目标是同时实现大师级棋力与可解释性。作者为 Adithya Bhaskar、Jeffrey Cheng、Danqi Chen；arXiv 编号 2610.03695v1，发布/更新时间为 2026-10-02T17:54:22Z。

方法/产品要点

• 架构：encoder-decoder 架构；将静默专家棋编码器与 instruction-tuned LM 通过 cross-attention 集成。
• 训练：使用 question-answering curriculum，从棋编码器的表示中提取棋类概念。
• 迭代蒸馏：采用 natural-language analog of the Bellman update；模型分析排名靠前的候选走法之后的局面，并汇总为当前局面的解释，再蒸馏回模型。
• 摘要称该过程进行七轮迭代。
• 英文术语：chess-language model; silent expert chess encoder; instruction-tuned LM; cross-attention; question-answering curriculum; iterative distillation; natural-language analog of the Bellman update。

主要结果或产业意义

• 七轮迭代后，模型 Elo 从 1782 提升到 2697，增加超过 900 Elo 分。
• 摘要声称，该模型在 playing strength 与 puzzle accuracy 上大幅超越所有 frontier models，尽管参数少三个数量级。
• 基于语言模型的评估（LM-based evaluations）显示，其解释流畅，连贯性接近 GPT-5.6-Sol (high)。
• 产业意义：作者认为该架构与训练流程具有通用性，可作为一种 recipe，用于已有静默专家编码器的领域，如 games、robotics、computer use。

为什么重要

• 它尝试解决一个核心矛盾：专家棋引擎强但不解释，语言模型能解释但棋力不足。
• 它展示了 4B 参数模型借助静默专家编码器的表示、跨注意力接口和迭代蒸馏，可能达到很高的领域能力。
• “静默专家编码器 + 语言解释层 + 自蒸馏”可能成为领域 AI 的可迁移路线，而不只限于棋类。
• 与既有脉络的关系：所给已有卡片多关注 LLM 意识归因、安全对齐干预以及视觉语言模型的视觉认知错误；本条不是这些事实的直接延续，增量在于“静默专家编码器→语言解释”的领域特定推理与可解释专家系统方向。

局限与不确定性

• 本卡片仅依据 arXiv 摘要和元数据生成；全文细节、训练数据、计算资源、代码与权重是否公开，均待核实。
• Elo 的评测协议、时间控制、对手、开局库、统计显著性等，待核实。
• “puzzle accuracy”的数据集、指标和比较条件，待核实。
• “所有 frontier models”具体包含哪些模型、版本与设置，待核实。
• LM-based evaluations 的评委模型、提示方式、连贯性指标，待核实。
• 解释是否忠实反映模型内部计算、是否因果影响走法选择，待核实。
• 向 games、robotics、computer use 的泛化只是作者在摘要中的建议，需实证验证。
• 当前为 arXiv v1，后续版本或正式发表可能更新内容。

可用于图书/PPT/简报的角度

• “会解释的专家”：静默棋引擎与语言模型如何互补。
• 4B 参数模型如何达到大师级：专家表示、cross-attention、迭代蒸馏。
• 自然语言版贝尔曼更新：把搜索/评估过程转化为解释训练信号。
• 领域 AI 配方：已有静默专家编码器时，如何接入 LLM 解释层。
• 可解释 AI、模型效率与棋类基准。
• 与安全对齐、意识归因、视觉认知错误类卡片对照：专业领域可解释推理是另一条路线。

原始材料

• 英文标题：Language Models that Play Chess and Explain Their Moves
• arXiv ID：2610.03695v1
• 作者：Adithya Bhaskar, Jeffrey Cheng, Danqi Chen
• 发布/更新时间：2026-10-02T17:54:22Z
• 分类：cs.CL（Primary）；cs.CL
• 英文关键词/术语（据摘要提取，非原文关键词列表）：chess-language model; silent expert chess encoder; instruction-tuned LM; cross-attention; question-answering curriculum; iterative distillation; natural-language analog of the Bellman update; Elo; puzzle accuracy; GPT-5.6-Sol (high); domain-specific reasoning; games, robotics, computer use
• Abstract URL：https://arxiv.org/abs/2610.03695v1
• PDF URL：https://arxiv.org/pdf/2610.03695v1