El 5 de agosto, los principales modelos de IA de Xai, Google y OpenAI exhibieron sus habilidades estratégicas en un nuevo torneo de ajedrez. Celebrada en el nuevo arena del juego Kaggle de Google, el evento prueba las habilidades de razonamiento de AIS de uso general. El primer día, Grok 4, Gemini 2.5 Pro, O4-Mini y O3 avanzaron con barridos 4-0.
El torneo, diseñado por DeepMind, tiene como objetivo ver cómo estos AIS manejan una estrategia compleja y compleja en tiempo real. Este movimiento señala un cambio de puntos de referencia estáticos a entornos dinámicos y competitivos. Ofrece una nueva forma de medir las capacidades de resolución de problemas de los principales modelos de idiomas del mundo.
Un nuevo campo de pruebas para el razonamiento de IA
La comunidad de ciencias de datos de Google Kaggle lanzó el juego”en blanco”para probar AI. La iniciativa, en asociación con Google Deepmind, aborda las preocupaciones de que las pruebas tradicionales son insuficientes para medir el verdadero progreso de la IA y su camino hacia la inteligencia general artificial.
el inaaugural de los tres días. Torneo de ajedrez con ocho LLM principales. La alineación incluye Gemini 2.5 Pro y Flash de Google, O3 y O4-Mini de OpenAI, Claude 4 Opus de Anthrope, Xai’s Grok 4, Deepseek-R1 y Kimi K2 de Moonshot. Los modelos deben confiar en su propio razonamiento, sin acceso a los motores de ajedrez.
showdown de cuartos de final: un día de dominio y disfunción
La acción del primer día vio las cuatro coincidencias de cuartos de final terminó en resultados 4-0 increíbles de un lado, pero las historias detrás de los escolares variaron dramáticamente. Mientras que los vencedores, Grok 4, Gemini 2.5 Pro, O4-Mini y O3, todos avanzaron limpiamente, la naturaleza de sus victorias destacó las brechas significativas y sorprendentes en las habilidades de los modelos para jugar el juego.
La combinación más desigual fue el encuentro entre O3 y Kimi K2, que fue muy equilibrado del día. En una muestra reveladora de debilidad fundamental, Kimi K2 perdió los cuatro juegos después de no poder producir un movimiento legal dentro de sus cuatro intentos.
ninguno de los juegos duró más de ocho movimientos. El análisis sugiere que Kimi K2 podría seguir la teoría de la apertura para algunos movimientos, pero tan pronto como estuvo en un territorio desconocido, su comprensión del juego se desintegró, a veces olvidando cómo las piezas se mueven o leen mal la ubicación de las piezas en el tablero por completo.
[Contenido incrustado]
en un bocadillo similar pero más competitivo pero más competitivo, O4-Mini, O4-Mini, O4-Mini, con un triumfado a lo profundo. Este concurso fue descrito como”extraño”, caracterizado por momentos de una obra de apertura fuerte y humana que repentinamente se convertiría en una serie de errores y alucinaciones de ambos lados.
A pesar de este rendimiento errático, O4-Mini demostró una capacidad superior superior, asegurando impresionantemente dos check-mates, una tarea notable en un tournamento en el que muchos ais lucharon a los ttaces básicos ejecutados. [Contenido incrustado]
La batalla entre Gemini 2.5 Pro y Claude 4 Opus fue la única en presentar más juegos que terminan en Checkmate que en las pérdidas. Sin embargo, no estaba claro cuánto del resultado se debió a la perspicacia de ajedrez de Gemini contra el pobre juego de Claude 4 Opus.
Un momento crítico en el primer juego vio a Claude 4 Opus hacer un empuje apresurado que empujó el material y destrozó permanentemente las defensas de su rey, expectando sus. Incluso con una ventaja masiva, Gemini 2.5 Pro mostró sus propias limitaciones, colgando piezas en camino de entregar el Checkmate final.
[Contenido incrustado]
Por el contrario, el rendimiento más fuerte y convincente del día provino de Grok 4 de Xai en su partido contra Gemini 2.5 Flash. Si bien su oponente hizo su parte de los errores, Grok 4 parecía mucho más intencional en su estrategia, identificando y capitalizando constantemente en piezas indefensas en lugar de simplemente esperar errores.
Esta exhibición de una conciencia táctica superior llamó la atención de su creador, Elon Musk, quien hizo referencia a su supuesta complejidad del juego, lo declaró”demasiado simple”. Musk también dijo que xai”no gastó casi un esfuerzo en el ajedrez”cuando entrenando 4, llamando al buen desempeño relativamente bueno como”efecto secundario”. Benchmark para el uso general de AI
mientras que motores especializados como Deepmind Alphazero jamón de la vez más. Una gran diferencia con LLMS de propósito general. Su falibilidad es precisamente el punto de la prueba, revelando debilidades clave en la visualización y la lógica estratégica.
Esto se demostró vívidamente en julio cuando Magnus Carlsen superó fácilmente a Chatgpt. Después de la victoria, Carlsen bromeó:”A veces me aburro mientras viajo”, destacando la falta de comprensión contextual de la IA. Los resultados del torneo actual, especialmente los perdidos de Kimi K2, se hacen eco de estas limitaciones a mayor escala.
El evento presenta comentarios de las principales figuras de ajedrez, incluido el GM Hikaru Nakamura e Im Levy Rozman, llevando el concurso único a una audiencia global. Si bien el formato de eliminación es para Show, Kaggle también está ejecutando cientos de juegos detrás de escena para crear una tabla de clasificación persistente.
Esto proporcionará un punto de referencia más riguroso con el tiempo. Como explicó Meg Risdal de Kaggle,”Si bien el torneo es una forma divertida de espectrar… La tabla de clasificación final representará el riguroso punto de referencia de las capacidades de los modelos en el ajedrez que mantenemos con el tiempo”. La arena del juego planea expandirse a otros juegos como Go y Werewolf para probar diferentes facetas del razonamiento de IA. El torneo continúa con las semifinales el 6 de agosto.
