Token杯AI国际象棋大赛-Gemini

Token自由

之前一直没有各种昂贵的 AI 订阅，为了玩 AI，我全靠学校那台 Dell 出的 DGX Spark（这台拥有 128GB 统一内存、NVIDIA GB10 算力的小怪兽）以及本地的 L4 显卡搭建本地模型跑任务。本地模型最大的好处就是速度极快，吐字飞速，眼睛都跟不上。但缺点也很明显：模型 Size 普遍不大，智力上限有限，遇到稍微复杂一点的推理解析，很容易直接摆烂。

然而最近，幸福来得太突然，我居然一瞬间实现了 Token 自由！

仔细盘算了一下，主要得益于最近凑齐的四大“风口”：

1. GitHub 教育优惠审核通过：居然给了 $15 的额度，而且还能免费爽用 Copilot Pro！
2. 咬牙订阅了 Google Gemini Pro：主要是因为我家谦要用 Gemini Notebook 来整理笔记和学习。顺便我还发现了一个绝密“Bug”级别的惊喜：谷歌的 AI 框架 Harness AntiGravity 和网页版的 Gemini 额度竟然是完全分开计算的！两个人各用各的，互不干涉，相当于买一送一！
3. 学校大手一挥给买了 Claude Max：官方高尊贵订阅，配额充足到根本用不完。
4. 自己还充了 10 块钱 OpenCode Go 套餐：便宜大碗，可以随意调用各种主流的 Open Weight 开源模型。

突然手握庞大的 Token 储备，感觉自己瞬间变成了 Token 大佬。但手握这么多 Token，总不能天天只用来让 AI 写 Hello World 吧？

打通壁垒

最近我在终端里玩起了 Herdr，这软件号称是“Agent 时代的 Tmux”。简单来说，它不仅能在终端里同时开好多分屏管理不同的 Agent，最绝的是——它居然允许不同的 Agent 之间直接互相发送消息和通讯！

Agent 之间能互相聊天，这可太有意思了。举个爆笑的例子：有一次我让一个 Agent 去访问某个网站，结果我把 URL 给敲错了一个字母，导致它自然打不开。换作以前，Agent 估计就直接报错放弃了。结果这货居然跟人类一样，在 Herdr 里面给隔壁 Pane 的另一个 Agent 发消息：“大佬，我这个网站怎么打不开啊，你帮我试试呗？”

看到这一幕我直接惊呆了。既然 Agent 之间通信这么顺畅，那让它们聚在一起除了互相吐槽，还能干点啥有意思的事情呢？

我灵光一闪：要不让它们之间在终端里互相下国际象棋吧！

说干就干，我设计了一个由三个 Agent 组成的比赛系统：

• 裁判模型（Judge）：负责监听局势、在 Herdr 里给选手传递棋步、将棋步提交给服务端校验。裁判不需要太聪明，免费的模型或者本地小模型完全能胜任。
• 参赛选手（Players）：两个 Agent 分别执白棋和执黑棋，只负责琢磨怎么走棋。

秉承着能让 AI 干活就绝不自己动手的原则，我把这个创意和规则交代给了 Claude。剩下的事情就顺理成章了：Claude 帮我搭建了整个 TokenCup AI 国际象棋比赛平台（后端基于 FastAPI + MariaDB，前端用纯 JS + Chessground）。整个 ~/dev/tokencup 项目的代码基本上都是 Claude 一口气写出来的，创意归我，牛马归 Claude。

天昏地暗

周六一整天，几个 Agent 在 Herdr 的分屏里杀得天昏地暗、日光惨淡。

我特地起了一个网页端界面（Spectator Page），搬着小板凳看着棋盘上的棋子飞舞，吃子声不绝于耳。

一天下来，后台数据库（MariaDB）完整地记录下了 12 场史诗级的棋逢对手。翻看数据库里的对局数据，我发现了几个极其有趣又深刻的现象：

1. 开源/免费模型的“特长偏移”： OpenCode 里面那些免费的模型（比如 Big Pickle, Ling-3.0-tiny, LongCat 等），水平的确相当有限。不少模型可能训练集中中国象棋的棋谱比较多，到了国际象棋（Western Chess）的棋盘上就彻底懵圈了。经常走着走着就给出 illegal move（非法棋步），连续违规 3 次直接被裁判判负（Forfeit）。比如 Ling-3.0-tiny 执白对阵 LongCat-2.0，第 13 步就因为乱走棋被直接判负了。
2. Gemini 3.6 Flash 的大杀四方： 万万没想到，Gemini 3.6 Flash 在这个赛场上展现出了极其强悍的统治力！它一路过关斩将，接连战胜了 DeepSeek V4 Flash、Grok 4.5、Big Pickle、Claude Sonnet 5、Claude Fable 5，甚至连 GPT-5.6 Terra 都被它踩在脚下！整整斩获了 6 胜 1 和 1 负 的辉煌战绩。唯一的一败还是输给了自家的亲哥哥 Gemini 3.1 Pro，可以说是当之无愧的 Token 杯棋王！
3. 无尽循环与燃烧的钱包： 对决中最令人抓狂的是大语言模型的“Thinking”（深度思考）机制。 现在的推理模型一遇到复杂局面，就喜欢陷入死循环般的思考。ChatGPT 和一些推理模型走一步棋能思考好几分钟，Token 消耗量呈指数级暴涨！

看着屏幕上转个没完的 Thinking 提示，我感觉我的钱包在熊熊燃烧！ 为了止血，我想在 Prompt 里告诉它：“你每一步棋的 Thinking 时间不能超过 3 分钟！” 但我很快发现——大语言模型根本没有物理时间的概念！ 对于它们来说，只有 Token 的输入与输出，根本无法感知真实时间的流逝。你让它们“每一秒钟说一个字”，或者“思考 60 秒后回答”，它完全做不到，纯属对牛弹琴。最后只能靠我们在裁判端和后端硬性设置 Timeout 机制（超时未返回有效棋步直接判负），才保住了我的钱包。

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（Don’t reinvent the wheel）”。 结果等我周六折腾完这整套系统，烧掉了数百万 Token 之后，上网一查才赫然发现：我居然又把轮子重新发明了一遍！

早在很久之前，就已经有大神搞出了专门的 LLM Chess Benchmark 评测榜单。

仔细对比了一下我花了大把 Token 得出的实测结果与全球大榜的数据，发现结论惊人地一致：

• 总体棋力水准：目前所有顶级 LLM 的国际象棋水平，基本上都在 Class C player 左右（大约相当于 FIDE/USCF 1400-1599 左右的业余爱好者水平）。
• 人类看戏的体验：作为真人看它们下棋，很容易发现它们有一些莫名其妙、啼笑皆非的昏招。因为随着棋局回合数变长，棋盘信息堆积，LLM 记忆上下文稀释，Thinking 的难度呈几何级数加大。
• 与专业 Chess Engine 的差距：跟 AlphaZero 或者 Stockfish 这种精通棋路搜索和评估函数的专业棋盘引擎相比，大语言模型下棋简直就像在用自然语言猜概率，差距不可以道里计。

总结

虽然从纯粹的棋力来看，用 LLM 下国际象棋既昂贵又笨拙，但看着不同厂家的 Agent 在终端里互相打招呼、互相对弈、甚至因为违规被裁判警告，这种科技带来的戏剧感和娱乐性是传统静态程序无法比拟的。

反正现在 Token 自由了，下一次，我打算让它们试试打扑克或者三国杀，看看谁才是大语言模型界真正的戏精！