Kinaschack JumpStar

JumpStar är världens starkaste AI-motor för kinaschack

Bakgrund

Jag byggde JumpStar åt min mamma. Projektet började den 15 maj 2026 i Indiana, när jag hjälpte mina föräldrar att flytta från huset där vi växte upp. När vi packade deras saker hittade vi vårt gamla kinaschackbräde och började minnas hur roligt det var att spela tillsammans som familj.

När min bror och jag hade flyttat hemifrån för att studera försökte min mamma hitta kinaschackappar till iPhone så att hon kunde fortsätta spela själv, men ingen av dem var bra. Med tanke på framgångarna för AlphaGo och Stockfish trodde jag att det säkert fanns många starka AI-motorer med öppen källkod för kinaschack - men det gör det inte. Trots sin popularitet och elegans hade kinaschack fått förvånansvärt lite uppmärksamhet från AI-världen. Den luckan fick mig att bygga JumpStar.

Mitt mål var att bygga den första övermänskliga AI-motorn för kinaschack. En stark datormotståndare skulle göra det möjligt för min mamma att fortsätta spela även när min bror och jag inte fanns i närheten. En övermänsklig AI-motor skulle till och med kunna avslöja vackra nya mönster och strategier i spelet som ännu inte var allmänt kända.

Det är också därför projektet blev offentligt. En stark privat motor är intressant, men den är svår för andra att utvärdera eller förbättra. Det offentliga AI-benchmarket för kinaschack gör arbetet granskningsbart: ett regelverk, ett protokoll, en samling ställningar, referensmotståndare, loggar och en namngiven JumpStar-modell som andra system kan utmana.

Varför AI för kinaschack är intressant

Schack och go har årtionden av offentligt AI-arbete bakom sig: motorer, benchmarks, rankinglistor och delade partiarkiv. Kinaschack har väldigt lite av det, trots att det är just den sortens spel som AI är bra på att studera. Det finns ingen dold information, ingen tur och ett tydligt sätt att vinna.

Det blir också snabbt komplicerat. Med JumpStars regler för två spelare finns det 14 tillåtna första drag, 196 sätt som de två första dragen kan gå på och 4 760 efter det tredje. Senare i partiet gör hoppkedjor och trånga banor bra drag mycket svårare att se än reglerna antyder.

Vad JumpStar är

JumpStar är en kinaschackmotor tränad genom self-play, byggd på en kompakt regel- och sökkärna i C++20, en neural policy/value-modell och Monte Carlo-trädsökning. Dess starkaste offentliga checkpoint, JumpStar_60, är den nuvarande mästaren i benchmarket CCERL-2P10-v2. Alla JumpStar-modeller tränades på en MacBook M4, inte på de stora GPU-kluster som ligger bakom de kända schack- och go-motorerna.

Målet är övermänskligt spel, och påståendet ska gå att testa. JumpStar verkar vara övermänsklig eller nära det under reglerna för två spelare, och med CCERL kan vilken framtida motor som helst utmana det.

Systemet

JumpStar är en komplett motor och ett benchmark, inte bara en tränad modell.

  • Regler och sökning. En kompakt modell av brädet med 121 hål, strikta regler för två spelare, snabb generering av steg och kedjor med flera hopp, och en matchkörare. Reglerna är medvetet explicita, så att en motor inte kan vinna genom att slå läger i en triangel eller utnyttja en egenhet hos domaren.
  • Träning genom self-play. JumpStar spelar mot sig själv, och de partierna tränar en policy/value-modell som styr nästa sökomgång. JumpStar_60 är ett 512x4-nätverk med ungefär 10.36M parametrar, tränat på 1.8M omanalyserade ställningar.
  • Offentlig benchmarking. Det fanns ingen offentlig rankingstege för kinaschackmotorer, så jag byggde CCERL-2P10-v2 parallellt med JumpStar. Det definierar reglerna, motorprotokollet, en fast uppsättning startställningar, referensmotorer och hur ratingen räknas ut, och det publicerar alla partiloggar så att resultaten kan kontrolleras.

Så spelar JumpStar kinaschack

JumpStar nöjer sig ofta inte med att bara springa. Den bromsar motståndaren, håller användbara blockerande pjäser på plats och bygger kompakta triangelformer som gör mitten av brädet svår att hoppa igenom.

Eftersom pjäser aldrig slås kan en defensiv formation hålla i många drag. Den kan ta bort en hoppväg, tvinga motståndaren att gå runt och köpa tid åt JumpStars egna pjäser att ta sig hem.

Vinnande öppningsmönster

Uppspelning av vinnande öppning En öppningssekvens på åtta drag där spelare 2:s sista hopp är markerat.
# Spelare Typ
JumpStars defensiva triangelformation En ställning från ett verkligt parti där JumpStar bildar en formation i mitten som försvårar hopp genom mitten och trycker ut motståndarens pjäser mot kanterna.
Stäng mitten. JumpStar bildar ofta två kompakta, triangelliknande fronter som gör de mittersta banorna besvärliga att hoppa genom och trycker ut motståndarens pjäser mot kanterna.
JumpStars långa slutspelskedja En ställning från ett verkligt parti där JumpStar placerar pjäser i en lång hoppkedja mot målet mittemot.
Avsluta med kedjor. Senare skapar samma känsla för avstånd långa stegar som effektivt tar hem de pjäser som ligger efter.

Sök- och träningsloopen

Översiktligt följer JumpStar AlphaZero-mönstret: self-play ger MCTS-besöksantal som träningsmål, de målen tränar en policy/value-modell, och den starkare modellen styr nästa sökomgång.

self-play -> MCTS-besöksmål -> policy/value-träning -> starkare sökning -> self-play

Den praktiska styrkan kom från att göra loopen billig nog att köras om och om igen: inbyggda self-play-workers i C++, effektiv draggenerering, batchad utvärdering av lövnoder, transpositioner, återanvändning av delträd, kompakta data och release-byggen anpassade för lokal Apple-hårdvara.

En stor del av den komprimeringen kom från att använda Codex med GPT-5.5 som partner för implementering och forskning. Codex hjälpte till att granska kodbasen, profilera flaskhalsar, skriva om kritiska kodvägar, analysera träningsloggar, paketera benchmarkkörningar och hålla flera experimentspår igång samtidigt. De viktigaste vinsterna var praktiska: stora hastighetsökningar i self-play och utvärdering, minskad minnesanvändning i träningsflödet med ungefär 98 % så att arbetet fick plats på min lokala dator, och tillräckligt med automatisering för att fortsätta förbättra motorn samtidigt som jag hade mitt heltidsjobb som vd för Edia.

Projektet gick ovanligt snabbt eftersom loopen inte bara var self-play för modellen; det var också en iterativ utvecklingsloop för systemet runt den. Codex gjorde det möjligt att köra ett experiment, undersöka felet, optimera koden, köra benchmarket igen, sammanfatta resultatet och göra nästa fråga till en konkret patch. Den återkopplingscykeln komprimerade arbete som annars kunde ha tagit månader av infrastruktur, verktyg, frontend, benchmark och dokumentation till ungefär en vecka från det att brädet hittades till den offentliga lanseringen.

Den lokala Codex-redovisningen ger en ungefärlig bild av samarbetets omfattning. Över de projekttrådar som syns i den lokala Codex-tillståndsdatabasen uppgick registrerade tokens_used till ungefär 559.9M tokens. Siffrorna omfattar kontext, verktygsutdata, effekter av cachad kontext, redovisning av resonemang och utdata samt överlappande arbetstrådar, så de ska läsas som ett processmått snarare än som en vetenskaplig mätning av beräkningskraft.

CCERL och det offentliga benchmarket

Kinaschack har ingen mogen offentlig rankingstege för motorer som schack och go, vilket gör det svårt att utvärdera motorers styrka och framsteg. CCERL fyller det tomrummet. CCERL är det första offentliga benchmarket för att utvärdera styrkan hos AI-motorer för kinaschack. Med utgångspunkt i liknande koncept från schack och go erbjuder CCERL fasta regler, granskade startställningar, parade sidbyten, nedladdningsbara partiloggar och offentliga referensmotståndare.

Enligt CCERL-benchmarken verkar JumpStar med stor marginal vara världens starkaste offentligt tillgängliga AI-motor för kinaschack.

Jag tror att JumpStar har nått en nästan övermänsklig styrka i kinaschack under regelprofilen för två spelare, med beräkningskraft i nivå med en lokal MacBook. Ännu viktigare är att CCERL ger alla framtida bidragsgivare ett mål: modifiera JumpStar, bygg en ny modell, porta en befintlig motor mer troget, lägg till bättre ställningar eller skicka in en utmanare under samma domare.

Framtida arbete

JumpStar är inte tänkt att bara vara en privat bot. Projektet försöker bli fyra saker:

  • En stark offentlig AI-modell. JumpStar har öppen licens, och den här webbplatsen är gratis. Vem som helst kan spela mot JumpStar eller själv försöka förbättra den. JumpStar tränades helt på en MacBook M4. Mer beräkningskraft kommer säkert att förbättra prestandan.
  • Offentlig benchmarkinfrastruktur. Schack och go har gemenskaper där motorer kan testas, jämföras och förbättras. CCERL ger kinaschack samma infrastruktur: tydliga regler, reproducerbara matcher, offentliga loggar och en väg för andra att bygga egna modeller.
  • Forskning om själva spelet. Stark AI förändrar vad vi kan se. Jag vill förstå hur bra spel ser ut, hur öppningar utvecklas, varför trånga bräden beter sig som de gör, och vad som händer i partier med tre, fyra och sex spelare när mitten av brädet blir en trafikstockning av möjligheter.
  • Varianter för flera spelare. Modellen för två spelare är bara början. De vildare frågorna börjar när brädet blir trängre: tre spelare, fyra spelare, sex spelare, skiftande allianser, blockerade vägar och märkliga öppningar som uppstår av sig själva. Jag vill ta reda på hur starkt spel ser ut även där, och på bräden som är mycket större än standard. Komplexiteten och mönstren som uppstår kommer att vara fascinerande.

Jag hoppas att JumpStar får fler att fundera på kinaschack, spela det, studera det och bygga vidare på det.