文章指出，国际象棋引擎通过强化学习训练后，发现搜索算法比模型质量更重要。即使使用较差模型配合搜索，也能产生优秀结果，因此可以通过蒸馏技术从已有强模型中学习，无需重复昂贵的自我对弈训练。这种蒸馏方法效果远超传统RL中的最佳选择策略，因为象棋搜索能大幅提升模型表现，相当于模型规模扩大30倍的效果。

国际象棋引擎的奇妙世界

训练方法的革新

自AlphaZero以来，lc0类国际象棋引擎采用强化学习(RL)进行训练。但最新研究表明，这种训练方式并非必需。即使使用较差模型配合搜索功能，其表现也远超优秀模型单独使用，因此可以通过"蒸馏"技术从"差模型+搜索"中训练出优质模型。

这种突破使得RL训练只需进行一次初始训练，后续引擎均可通过蒸馏技术获得提升。lc0团队发现，其旗舰模型BT4在蒸馏训练中表现优异，但重新放入RL循环后反而性能下降。

运行时训练技术

最新技术将蒸馏技巧应用于运行时：引擎先通过神经网络评估棋局，再通过搜索获得更精确结果。若网络评估与搜索结果存在偏差（如相差0.15个兵值），系统会自动调整后续评估值，实现网络实时自适应。

制胜训练法

传统训练目标与实战需求存在细微差异：我们真正关心的是搜索100个位置后的最终表现。为此，lc0采用SPSA技术：随机调整权重参数进行对弈测试，保留胜率更高的参数设置。这种方法虽计算量巨大（每步需测试数千局），但能为小型模型带来约50点ELO等级分提升，相当于1.5倍模型规模或一年研发成果。

C++调参黑科技

SPSA技术可应用于引擎中任何数值参数。例如将固定深度退避值1优化为1.09，就能带来5点ELO提升。这种类似梯度下降的方法，通过胜负结果反向优化C++代码中的任意参数，展现了惊人的适应性。

独特的架构设计

lc0采用改良版Transformer架构，相比传统卷积模型提升数百点ELO。其核心创新"smolgen"系统虽降低1.2倍吞吐量，但带来相当于2.5倍模型规模的准确率提升，具体原理仍是个谜。

注：主流引擎如Stockfish均使用lc0提供的数据训练，仅少数引擎为保持原创性坚持自主训练。

总结评论内容：

1. 关于网站内容的警告

• 多位用户提醒网站主页可能存在问题 "Please be careful when visiting the homepage" (评论2) "The homepage for this site is defiantly NSFW." (评论5)

2. 对国际象棋AI现状的讨论

• 认为现代象棋引擎已接近"解决"状态 "Stockfish running on modern laptop with 1 minute per move is unbeatable from the starting position." (评论3)

3. 对SPSA优化算法的质疑

• 质疑为什么选择SPSA而非其他优化方法 "surprising...use SPSA...rather than different black box optimization algorithms" (评论4) "My intuition is that something like Bayesian optimization could yield stronger optimization results" (评论4)

4. 对文章可信度的怀疑

• 有用户质疑作者的专业性 "was I reading a mastermind...or someone way too confident that learned enough buzzwords" (评论6) "A quick visit at the homepage suggests that it's probably the latter" (评论6)

5. 补充信息

• 提供相关链接信息 "Response from the author of Viridithas, there is a link to this engine in her webpage." (评论1)