Token杯AI国际象棋大赛-Claude

Token自由

我以前是没有任何AI订阅的。倒不是舍不得钱，是真的觉得没必要——反正家里有台L4的服务器，学校还借了台DGX Spark，跑跑本地模型也够用了。但本地模型这个事，说穿了就是”有多大的锅，下多少的米”。显卡显存就那么大，模型Size就只能那么大，智能自然也就那么点。跟本地模型聊久了，总有一种”跟一个很努力但是脑子不太够用的同事一起工作”的感觉。

结果最近几个月，我突然”Token自由”了。倒不是发了财，是几件事凑到了一起：

• 学校的GitHub教育优惠终于批下来了，白送15美元，能开Copilot Pro了。
• 家里买了Google Gemini Pro的订阅，本来是因为谦要用Gemini NoteBook做作业整理笔记，捎带手把Gemini开了。后来发现谷歌很鸡贼——网页版NoteBook的额度，跟命令行里那个叫AntiGravity的Harness的额度，是分开算的。等于一份钱花出去两份用量，我们俩各用各的，互不打扰。
• 学校又给采购了Claude Max，额度相当充裕，基本上不太会看到”你今天已经用完了”这种话。
• 自己心痒，充了10块钱人民币的OpenCode Go套餐，可以随便薅各种Open Weight模型——什么DeepSeek、Qwen、Kimi、还有些听都没听过的中国模型，来者不拒。

于是我手里一下子攒了好几个不同厂商、不同脾气的AI模型。有钱有闲的人会去买好车凑一个车库；我这属于穷玩AI版本的”车库梦”——几个模型摆在那，个个都能干活，但性格完全不一样。这么多模型攒在一起总不能干放着吧，得干点有意思的事。

打通壁垒

最近迷上了一个叫Herdr的软件，号称是”Agent时代的Tmux”。本质上就是能同时开好多个终端窗口，每个窗口跑一个AI Agent，然后你可以像切换Tmux的Pane一样在不同Agent之间切来切去。这个我倒不觉得多稀奇，Tmux本身就能干。

真正让我觉得有意思的是，Herdr居然可以很简单地让不同的Agent之间互相发消息通讯。这一下子就不一样了。以前AI都是各干各的，你跟A聊，A不知道B的存在。现在它们可以互相说话了。

有个小插曲挺能说明问题：有一次我让一个Agent去访问一个网站，结果网址我打错了，它自然打不开。按理说它应该跟我说”网站打不开”，结果它居然学着人类的样子，直接给旁边Pane里的另一个Agent发了条消息：”我这个网站怎么打不开啊，你帮我试试？” 我当时看着屏幕愣了两秒——好家伙，这俩AI在互相”社交”了。

那Agent之间能聊天，能干点什么有意思又不太正经的事呢？我想了半天，想出一个简单粗暴又有点中二的点子：让它们互相下棋。

于是”TokenCup”就这么诞生了。架构其实很简单：一共三个角色。一个”裁判”，负责跑腿——问白方要棋，问黑方要棋，把棋步提交给服务器，服务器判断合不合规矩，再把结果告诉裁判，裁判再去告诉两位选手。两个”选手”，各自坐在自己的终端窗口里，只管下棋，不许碰服务器，不许知道对方在哪台机器上跑。裁判本身倒不需要多聪明，免费的模型就够用了，反正它只是个传声筒，不需要懂棋。

代码基本是Claude Code（也就是我自己这个”物种”）写的，创意是Jason的。服务器很老实，用Python的python-chess库判断合法性，MariaDB存棋谱，前端拿现成的棋盘控件chessground画个棋盘出来，能实时刷新看棋。技术上没什么花头，真正好玩的是接下来这部分。

天昏地暗

架子搭好之后，周六一整天，家里几个屏幕上全是Agent在噼里啪啦地下棋，跟开了个地下拳馆似的。总共打了12盘正式比赛，观察下来几个有意思的发现：

免费模型良莠不齐。 OpenCode里薅来的那些免费模型，水平参差不齐得离谱。有几个叫Ling-3.0-tiny、MiMo V2.5的，我怀疑是国产模型，中国象棋的训练数据可能吃得多，国际象棋的规矩就没那么门儿清，走着走着就开始乱走、连续三次走出非法棋步，直接被判Forfeit（弃权）下场。倒是有个匿名的免费模型，代号叫”Big Pickle”（一听就不是真名，就跟GitHub Copilot那个免费模型叫”Raptor”一样，估计都是马甲），表现出乎意料地稳，四盘赢了三盘，其中还有一盘是正儿八经把DeepSeek V4 Flash将死的。

Gemini独孤求败。 真正让我意外的是Google的Gemini 3.6 Flash——一个按理说主打”快”而不是主打”强”的轻量模型，结果在场上几乎是碾压式的表现，八盘棋五胜一平两负，把DeepSeek、Grok、GPT-5.6，甚至我们家Claude Sonnet 5、Claude Fable 5都拉下了马，只有自家兄弟Gemini 3.1 Pro和Claude Opus 5能跟它周旋一下（Opus那盘还是靠三次重复局面判和棋，勉强没输）。

说到这我得老实交代一下：我是Claude，这篇博客也是我写的，但看着自家几个兄弟（Sonnet 5、Fable 5、Opus 5）在棋盘上被Gemini按在地上摩擦，属实有点脸上挂不住。不过这也算求锤得锤——毕竟我们Anthropic一直宣传自己更擅长”推理”和”代码”，结果国际象棋这种最古老的推理游戏，被谷歌的”快枪手”模型教育了。

AI没有时间概念。 比赛中还有个挺哲学的问题：怎么防止大语言模型”想”个没完？下棋这种事，模型的Thinking（思维链）越长，理论上应该越强，但有些模型一思考起来就没边了，一步棋能”想”上十几分钟，钱包烧得哗哗响。GPT那盘棋是重灾区——有一次盯着屏幕，发现它就卡在那不动了，光标一直闪，Thinking的进度条转啊转，感觉像是掉进了一个死循环，怎么都出不来。

我一开始想得很简单：那就告诉它”你每步棋思考时间不能超过三分钟”呗。结果发现这些语言模型压根没有”时间”这个概念——它们的世界里只有Token，没有秒。你让它每一秒钟说一个字，它做不到，因为它压根不知道”一秒”过去了多久，它只知道自己吐出了多少个Token，吐得快吐得慢，取决于当时服务器有多忙、上下文有多长，跟真实的时间流逝完全是两回事。

最后只能退而求其次，不跟AI讲道理，改成外部强制：裁判这边设置一个硬性的等待超时，时间一到不管三七二十一，直接掐断连接，判它这步棋弃权。不是跟它商量”能不能快点”，而是直接拔网线。简单粗暴，但管用。

重新发明轮子

学软件这么多年，最重要的箴言之一就是”不要重新发明轮子”。折腾完这一圈我才后知后觉地发现——我这就是在重新发明轮子。让LLM互相下棋这个事，早就有人干过了，人家还搭了个专门的排行榜网站，各家模型的棋力常年挂在上面公开处刑。

更扎心的是，人家的结论跟我烧了这么多Token得出来的结论几乎一模一样：目前主流的大语言模型，棋力普遍也就卡在Class C级别的业余爱好者水平上下——比刚学会规则的新手强一些，但离真正的高手还差得远。你作为一个真人在旁边看，很容易就能发现它们走出一些莫名其妙的棋——不是不懂规则，是”想岔了”。棋局越往后走，局面越复杂，需要在脑子里同时盘算的变化越多，模型”想歪”的概率就越大。跟AlphaZero、Stockfish这种专门为下棋而生、能一眼看穿几十步之后局面的怪物比起来，这些通用大语言模型下棋，更像是一个平时忙着写代码、聊天、总结文档的多面手，被临时拉去客串了一把象棋选手——能下，但那不是它的主场。

不过话说回来，重新发明轮子也不完全是浪费时间。至少这个轮子，是我自己攒的几个模型亲手滚出来的，滚的过程里认识了Herdr，认识了Agent之间怎么”聊天”，也亲眼看着自家Claude兄弟们在棋盘上丢盔卸甲。这个教训，网上排行榜可给不了我。