Hier auf GitHub: https://github.com/sgrvinod/chess-transformers
Schach auf ChessGPT ist sehr schwach.
Der Grund ist das Language Modell der KI.
Einen anderen Ansatz verfolgt Chess Transformers.
Es sagt den nächsten besten Zug eines Menschen voraus
Es erreicht in der bisher letzten Fassung dabei schon eine relativ gute Stärke.

Ich habe über ChatGPT eine Zusammenfassung in deutsch erstellt:

Das GitHub-Projekt „chess-transformers“ von sgrvinod ist eine fortschrittliche Open-Source-Plattform, die sich dem Einsatz von Transformer-Modellen im Schach widmet. Ziel des Projekts ist es, Schachmodelle zu trainieren, die auf der Grundlage großer Datensätze menschlicher Partien lernen, plausible Züge vorherzusagen und selbstständig Partien zu spielen. Es basiert auf PyTorch und bietet sowohl die notwendigen Modellarchitekturen als auch eine vollständig ausgestattete Trainings-, Evaluierungs- und Spielumgebung.

Im Zentrum des Projekts stehen mehrere Modellvarianten, die unterschiedliche Ansätze der Zugvorhersage verfolgen. Das Modell CT-E-20 ist ein Encoder-only-Transformer mit etwa 20 Millionen Parametern, das jeweils den nächsten besten Halbzug aus einer gegebenen Brettstellung prognostiziert. Eine Erweiterung dieses Modells stellt CT-EFT-20 dar, das ebenfalls 20 Millionen Parameter umfasst, jedoch mit zwei separaten Vorhersageköpfen arbeitet – einem für das Startfeld und einem für das Zielfeld eines Zuges. Komplexer ist das Modell CT-ED-45, ein Encoder-Decoder-Transformer mit 45 Millionen Parametern, das in der Lage ist, komplette Zugfolgen mit bis zu zehn Halbzügen vorherzusagen. Schließlich existiert mit CT-EFT-85 ein größer dimensioniertes Modell, das die Struktur von CT-EFT-20 übernimmt, jedoch mit mehr als dem Doppelten an Parametern.

Alle Modelle wurden sorgfältig evaluiert, insbesondere im Vergleich zum freien Schachprogramm Fairy-Stockfish, einer modifizierten Version von Stockfish. Dabei wurden verschiedene Schwierigkeitsstufen getestet (Level 1 bis 6), um die Spielstärke der Modelle in praktischen Partien zu ermitteln. Die Ergebnisse zeigen, dass selbst die kompakteren Modelle wie CT-EFT-20 in der Lage sind, auf niedrigeren Engine-Stufen konkurrenzfähig zu spielen und dabei menschlich anmutende Züge zu wählen. Neben der reinen Spielstärke werden auch Aspekte wie Vorhersagegenauigkeit und die Fähigkeit zur Reproduktion menschlicher Spielmuster untersucht.

Die Modelle basieren auf umfangreichen Datensätzen realer Schachpartien. Zu den verwendeten Quellen zählen unter anderem ML23c, ML23d, LE22ct und LE22c – allesamt große extrahierte Sets aus hochwertigen PGN-Datenbanken wie der Lichess Elite Collection (Partien von Spielern mit Elo-Rating über 2400). Diese Datensätze bestehen aus Hunderten Millionen Halbzügen und bieten eine solide Grundlage für das Pretraining von Sprachmodellen auf Schachnotation.

Das Projekt stellt nicht nur Modelle und Trainingsdaten bereit, sondern bietet auch eine spielbereite Umgebung. Nutzer können direkt gegen die Modelle spielen – entweder über ein Jupyter-Notebook oder im Terminal. Dabei lässt sich auch eine Zeitkontrolle im Fischer-Modus aktivieren. Zusätzlich besteht die Möglichkeit, die Modelle gegen Stockfish antreten zu lassen, um deren Leistungsentwicklung zu analysieren. Die gesamte Infrastruktur ist so gestaltet, dass sowohl schnelle Tests als auch tiefgehende Trainingsläufe und Evaluierungen möglich sind.

Die Plattform unterstützt darüber hinaus das Preprocessing eigener Datensätze, das Training neuer Modelle (inklusive Checkpoint-Verwaltung und TensorBoard-Logging), die Gewichtsmittelung und einheitliche Evaluationsprotokolle. Beiträge der Community sind ausdrücklich willkommen. Neben Modellbeiträgen und Verbesserungen am Code sind auch neue Visualisierungswerkzeuge, Evaluationsmetriken oder GUI-Elemente für das Spielen unter Windows erwünscht.

Seit Version v0.2.0 wurde das Projekt strukturell überarbeitet. Neben der Einführung des neuen CT-EFT-20-Modells wurde ein einheitliches Vokabular für alle Modelle eingeführt, die Engine-Settings für die Evaluierung verschärft und die Benutzerführung durch weniger Abhängigkeiten und eine bessere Changelog-Dokumentation verbessert.

Insgesamt ist „chess-transformers“ ein durchdachtes, forschungsnahes Projekt an der Schnittstelle von maschinellem Lernen, Sprachmodellierung und Spielintelligenz. Es ist nicht darauf ausgerichtet, bestehende Engines wie Stockfish zu ersetzen, sondern vielmehr, neue Wege zu erproben, wie große neuronale Sprachmodelle strategisches Verhalten erlernen können. In dieser Hinsicht ist es auch ein wertvoller Beitrag zur Erforschung transformerbasierter Architektur im Kontext symbolischer Systeme wie Schach – und somit auch potenziell übertragbar auf andere strategische Domänen.

Die Spielstärke der acht Fairy-Stockfish-Level lässt sich in etwa durch geschätzte Elo-Zahlen beschreiben, wobei diese Werte auf praktischen Erfahrungen, Tests aus der Schach-Community und KI-Trainingsprojekten wie „chess-transformers“ basieren. Diese Angaben sind Richtwerte und können je nach verwendeter Hardware, Zeitkontrolle, Engine-Version und konkreter Konfiguration leicht schwanken.

Fairy-Stockfish Level 1 spielt auf sehr einfachem Anfängerniveau mit einer Elo-Zahl von etwa 800 bis 1000. Es macht viele grobe Fehler, reagiert kaum auf Drohungen und spielt oftmals rein zufällig. Level 2 entspricht ungefähr 1000 bis 1200 Elo und stellt einen etwas stärkeren Anfänger dar: einfache Taktiken werden gelegentlich erkannt, aber das Positionsspiel bleibt schwach. Bei Level 3 (ca. 1200 bis 1400 Elo) ist bereits ein gewisses taktisches Bewusstsein vorhanden, und einfache Drohungen werden häufiger beantwortet. Dennoch fehlt es an Entwicklungsideen und Struktur.

Mit Level 4 erreicht Fairy-Stockfish ein Niveau von etwa 1400 bis 1600 Elo, vergleichbar mit einem Freizeitspieler, der grundlegende Eröffnungen kennt, taktisch einigermaßen stabil spielt, aber positionell noch oft ungenau ist. Level 5 markiert einen deutlichen Sprung: Mit geschätzten 1800 bis 1900 Elo spielt die Engine nun auf dem Niveau eines erfahrenen Vereinsspielers. Die Züge wirken durchdacht, Fehler sind seltener, und einfache Taktiken werden zuverlässig durchgerechnet. In vielen KI-Projekten ist Level 5 ein Referenzpunkt, da es einem typischen menschlichen Gegner im oberen Amateurbereich entspricht.

Level 6 bringt die Engine auf etwa 2000 bis 2100 Elo und hebt die Spielstärke weiter an: Fairy-Stockfish spielt nun deutlich strukturierter, vermeidet fast alle groben Fehler und zeigt ein gutes Gespür für langfristige Pläne. Es ist bereits schwer zu schlagen, selbst für starke Hobbyspieler. Level 7, mit rund 2200 bis 2300 Elo, entspricht Kandidatenmeister-Niveau. In dieser Spielstärke beginnt Fairy-Stockfish, tiefergreifende positionelle Schwächen auszunutzen, Opfer korrekt zu berechnen und präzise Verteidigungszüge zu spielen.

Level 8 schließlich liegt bei etwa 2400 bis 2500 Elo und spielt auf dem Niveau eines Internationalen Meisters oder eines schwächeren Großmeisters. Die Engine ist in diesem Modus nahezu fehlerfrei, taktisch extrem gefährlich und strategisch sehr konstant. Gegen menschliche Gegner ist Level 8 eine ernsthafte Herausforderung, auch für Turnierspieler. Wer über diese Stufe hinaus will, müsste Fairy-Stockfish vollständig entsperren und als reguläre Stockfish-Engine mit vollem Rechenzugriff und ohne Einschränkungen einsetzen – dann erreicht man Spielstärken deutlich über 3300 Elo, also Weltklasse-Niveau.

Diese Abstufung macht Fairy-Stockfish zu einem idealen Werkzeug für Spieler aller Niveaus sowie für die Evaluation von KI-Modellen, da es ein fein gestuftes Spektrum reproduzierbarer Spielstärke bietet – von Einsteigerniveau bis hin zu fast professioneller Spielstärke.

Damit eignet sich Fairy-Stockfish zum Schachtraining und/oder zur Einordnung der eigenen Spielstärke.

Ein Transformer-Modell ist eine spezielle Architektur im Bereich des maschinellen Lernens, die 2017 von Vaswani et al. mit der bahnbrechenden Veröffentlichung „Attention is All You Need“ eingeführt wurde. Sie hat sich seither zur dominierenden Methode im Bereich der Sprachverarbeitung (Natural Language Processing, NLP), Bilderkennung und zunehmend auch in Bereichen wie Schach, Chemie oder Musikgenerierung entwickelt. Transformer-Modelle bilden auch die Grundlage moderner KI-Systeme wie GPT, BERT oder Codex.

Im Kern ist ein Transformer ein neuronales Netzwerk, das Daten als Sequenzen verarbeitet – also z. B. Wörter in einem Satz, Züge in einer Schachpartie oder Pixelzeilen in einem Bild. Anders als frühere Modelle wie RNNs (Recurrent Neural Networks) oder LSTMs (Long Short-Term Memory) arbeiten Transformer nicht sequentiell, sondern parallel – was zu einer enormen Beschleunigung und besseren Skalierbarkeit führt.

Das Herzstück eines Transformers ist die sogenannte „Self-Attention“-Mechanik. Sie erlaubt es dem Modell, innerhalb einer Eingabesequenz zu gewichten, welche Teile besonders relevant sind – z. B. in einem Satz zu erkennen, dass sich ein „es“ auf ein früheres Subjekt bezieht. Beim Schach bedeutet das: Ein Transformer kann analysieren, welche Felder, Figuren oder Stellungselemente für einen möglichen nächsten Zug besonders wichtig sind – ohne dabei Züge einzeln durchgehen zu müssen. Es entsteht eine Art kontextabhängige Bedeutungskarte der Eingabe.

Ein Transformer besteht typischerweise aus mehreren Schichten (Layers), die jeweils diese Aufmerksamkeitsmechanismen (Attention Heads), sowie einfache neuronale Netzwerke (Feedforward-Netze) kombinieren. Die Eingabedaten (z. B. Text oder Schachzüge) werden zuvor in Vektoren umgewandelt, die der Transformer verarbeiten kann – sogenannte Embeddings. Diese enthalten Informationen über die Bedeutung und Position jedes Elements in der Sequenz.

Transformer lassen sich in zwei Haupttypen unterteilen:
  •  Encoder-Modelle (z. B. BERT): Sie analysieren Eingaben und erzeugen kontextualisierte Repräsentationen, etwa zur Klassifikation oder Vorhersage.
  •  Decoder-Modelle (z. B. GPT): Sie erzeugen aus einer gegebenen Sequenz neue Ausgaben – z. B. Texte, Züge oder Melodien.
  •  Encoder-Decoder-Modelle (z. B. für maschinelle Übersetzung): Sie kombinieren beide Schritte – analysieren einen Text und erzeugen einen neuen Text daraus (z. B. Englisch → Französisch).

Im Schachbereich können Transformer auf Sequenzen von Zügen, Brettstellungen oder auch symbolischen Beschreibungen trainiert werden. Anstatt positionell zu rechnen wie klassische Schach-Engines, „lernen“ Transformer-Modelle aus Millionen Partien typische Muster, Pläne und taktische Motive – und verhalten sich dadurch oft menschlich plausibel, aber nicht immer optimal. Das macht sie besonders interessant für Lernsysteme, Spielpartnersimulation oder kreative Schach-KI.

Zusammengefasst ist ein Transformer also ein besonders leistungsfähiges, kontextsensitives und skalierbares Lernmodell, das komplexe Sequenzen analysieren und neue Inhalte generieren kann – und das die Art, wie Maschinen Sprache, Musik, Bilder oder auch Schach verstehen, revolutioniert hat.

Hier Links zu Fairy-Stockfish:

https://fairy-stockfish.github.io/online/

https://fairy-stockfish.github.io/download/

Wenn Fairy-Stockfish auf Level 5 auf einem System mit einem AMD Ryzen 7 3800X (8 Kerne, 16 Threads) und einer Hash-Tabelle von 8 GB läuft, dann erreicht es eine deutlich höhere praktische Spielstärke als unter typischen Standardbedingungen (z. B. mit 1 Thread und 16 MB Hash in GUI-Engines oder auf schwächerer Hardware).

Geschätzte Spielstärke von Level 5 unter diesen Bedingungen:

Unter den genannten Voraussetzungen kann man für Level 5 realistisch von einer Elo-Spielstärke zwischen 1950 und 2050 ausgehen. Das liegt etwa 100–150 Elo über der üblichen Einschätzung für dieses Level auf Standard-PCs mit 1 Thread und kleinen Hash-Größen (dort: 1800–1900 Elo). Der Grund liegt vor allem in:
  1.  Mehr CPU-Threads: Auch wenn Level 5 intern künstlich begrenzt ist (z. B. durch reduzierte Suchtiefe oder Zeit), nutzen viele GUIs wie Fairy-Stockfish die verfügbare Hardware dennoch zur parallelen Verarbeitung oder für schnelleren Zugriff auf die Hash-Tabelle.
  2.  Große Hash-Tabelle (8 GB): Das erlaubt, deutlich mehr Stellungen zwischenzuspeichern und damit Redundanzen zu vermeiden – besonders in längeren Partien oder komplexen Mittelspielstellungen.
  3.  Stabile Engine-Taktung (Ryzen 7 3800X): Diese CPU bietet eine starke Single-Thread-Leistung bei hoher Parallelisierungsfähigkeit, was gerade in Kombination mit Stockfish eine effiziente Rechenbasis darstellt.

Fazit:

Fairy-Stockfish Level 5 auf dieser Hardware ist spürbar stärker als „normales“ Level 5. Es entspricht einem sehr soliden Turnierspieler, etwa einem Elo-Bereich von 1950–2050, vergleichbar mit erfahrenen Vereinsspielern oder regionalen Kaderspielern. Wer diese Konfiguration für KI-Vergleiche oder Trainingszwecke nutzt, testet seine Modelle bereits unter anspruchsvolleren Bedingungen als üblich.

Wenn Du willst, kann ich Dir eine systematische Evaluierungsmethode (z. B. mit EAS- oder SPRT-Verfahren) aufsetzen, um die genaue Spielstärke durch Engine-Matches zu ermitteln.