К содержимому
Языковые модели

self-trained-chessbot

компактные GPT, играющие в шахматы без знания правил

3 мин чтенияобновлено

Набор небольших языковых моделей в архитектуре GPT-2 (10.7M и 25.2M параметров) от автора Mrenaissance, обученных с нуля на 3 миллионах шахматных партий с Lichess. Моделям вообще не закладывали правила игры: они работают на посимвольном уровне (словарь всего из 33 символов) и просто предсказывают следующий символ в текстовой записи ходов в формате SAN (стандартная алгебраическая нотация). При генерации модель дописывает символы до пробела, формируя очередной ход, а если он оказывается невозможным по правилам — сэмплирует заново. В отличие от классических движков вроде Stockfish, здесь нет перебора вариантов, зато веса экспортированы в формат ONNX и весят всего 51–112 МБ, поэтому модели легко запускать даже прямо в браузере. Проект будет интересен разработчикам, изучающим обучение LLM с нуля и возможности малых моделей, а также любителям шахматных экспериментов.

Ключевые особенности

  • Посимвольное обучение с нуля: словарь состоит всего из 33 символов, длина контекста — 1024 символа, без встроенной логики шахматной доски.
  • Четыре варианта в ONNX (fp32): базовые модели base (10.7M, 51 МБ) и large (25.2M, 112 МБ), а также их версии ft-base и ft-large, дообученные на 594 тысячах длинных партий (от 100 полуходов).
  • Высокая доля легальных ходов: с первой жадной попытки модели выдают допустимый по правилам ход в 95.6%–97.8% позиций.
  • Готово к запуску в браузере: компактные ONNX-графы легко встраиваются в веб-приложения без серверного GPU.

Что можно сделать

  • Сыграть партию онлайн: протестировать модели прямо в браузере через веб-интерфейс автора или встроить ONNX-файл в собственный пет-проект на JavaScript.
  • Использовать как учебный стенд: изучить исходный код обучения, оценки и лог экспериментов в репозитории автора, чтобы разобраться в тренировке компактных GPT-2 на фиксированном вычислительном бюджете.
  • Собрать лёгкого шахматного бота: подключить модель через Python-скрипт (chessgpt/player.py) с логикой перегенерации нелегальных ходов для фановых игр или экспериментов с промптингом результата (1-0, 0-1).

Пример

Модель принимает на вход строку с переводом строки, желаемым исходом партии (например, 1-0 для победы белых) и текущей записью ходов до начала следующего хода:
"\n1-0 1.e4 e5 2."
В ответ нейросеть посимвольно генерирует продолжение до пробела (например, Nf3), а внешний скрипт проверяет, легален ли ход в текущей позиции, и при необходимости запрашивает новый вариант.

ПодробнееМетрики (base / large / ft-base / ft-large): легальные ходы — 95.6% / 97.7% / 96.1% / 97.8%; совпадение с ходом человека — 40.7% / 44.2% / 41.6% / 44.4%; решено задач Lichess (из 1000) — 8.0% / 11.3% / 6.8% / 8.3%.
Против Stockfish 19 (Skill Level 0/1/2) лучшая версия large набирает 0.17 / 0.02 / 0.00 очка за партию; техническое поражение засчитывается после 6 нелегальных попыток подряд.
Обучение: 3 млн рейтинговых партий (игроки 1800+, 1.26 млрд символов) на одной GPU Kaggle T4 (fp16) за ~8.6–9.1 часа.
Ограничения: играет слабо, без поиска по дереву вариантов; после 80-го хода доля легальных ходов снижается до 85–95%. Лицензия весов: CC BY 4.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.7 GB
  • 4-bitвеса 0.0 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Mrenaissance/self-trained-chessbot — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve Mrenaissance/self-trained-chessbot --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к self-trained-chessbot
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии self-trained-chessbot — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Mrenaissance/self-trained-chessbot
Автор
Mrenaissance
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

SD15 no-VAE DWD

SD15 no-VAE DWD
Языковые модели

VideoJev-2B

VideoJev-2B