陈丹琦团队发布 QUEEN：4B 参数模型兼顾棋力与自然语言讲解
国际象棋引擎下得好但说不清，语言模型会说但下不好，这篇论文用一个 4B 模型把两端接了起来，是「专业能力 + 自然语言解释」融合的一次具体尝试。
普林斯顿大学陈丹琦团队训练了一个叫 QUEEN 的模型，总参数量约 4B，棋力接近典型特级大师，还能用自然语言解释自己为什么走这一步。做法是把一个不说话的国际象棋引擎（Leela 的 BT5 网络）和一个通用语言模型（SmolLM3-3B）用门控交叉注意力桥接起来，再通过迭代搜索蒸馏对其自举提升。
正文摘录
.jpg) 编辑｜Panda 9 月 27 日，第 46 届国际象棋奥林匹克团体赛在撒马尔罕落幕。东道主乌兹别克斯坦在最后一轮以 2.5 比 1.5 击败乌克兰，第二次捧起公开组金牌，中国女队则第七次登上女子组最高领奖台。下一场焦点大战也近在眼前：11 月底，两位 20 岁的棋手古克什（Gukesh D）与辛达罗夫（Javokhir Sindarov）将在日内瓦争夺世界冠军头衔，这将是史上最年轻的一场世界冠军对决。 看过近几年顶级棋赛直播的人，大概都熟悉画面一侧那根上下浮动的评估条。引擎会告诉你此刻白方领先半个兵，或者某步棋让胜率一落千丈，但它从不解释原因——这仍要靠坐在解说席上的特级大师。  棋盘最左边那根黑白相间、上下浮动的竖条就是评估条 这其实是 AI 领域一个普遍困境的缩影。最强的专家模型往往是沉默的，而最会说话的语言模型，在专业领域里又常常不够强。国际象棋引擎早已把人类远远甩在身后，却说不出一句人话。前沿大模型能写出头头是道的分析，可它推荐的着法本身未必站得住，解释也就成了无本之木。 近日，普林斯顿大学陈丹琦团队在 arXiv 发布了一项成果，尝试把这两端接起来。