Kompaktes KI-Modell löst Schachprobleme mit erklärbarer Logik

In einer neuen Studie wird gezeigt, wie Sprachmodelle in spezialisierten Bereichen wie Schach, in denen Trainingsdaten knapp sind, ihre begrenzten Fähigkeiten überwinden können. Durch ein neu entwickeltes Verfahren namens Master‑Distillation werden die komplexen Rechenprozesse von Expertensystemen in nachvollziehbare, schrittweise Erklärungen übersetzt, sodass kompakte Modelle nicht nur Ergebnisse liefern, sondern auch deren Logik offenlegen.

Der Ansatz geht über die herkömmliche Distillation von Endergebnissen hinaus: Er fängt den gesamten Denkprozess ein und wandelt die undurchsichtigen Berechnungen eines Experten in transparente, nachvollziehbare Gedankenketten‑Erklärungen um. Das Training kombiniert dabei überwachte Feinabstimmung mit Bestärkendem Lernen und nutzt thematisch ausgewogene Stichproben, um eine umfassende taktische Abdeckung zu gewährleisten.

Das Ergebnis ist ein 4 B‑Parameter‑Modell namens C1, das von nahezu null auf 48,1 % Genauigkeit im Schach steigt – ein deutlicher Vorsprung gegenüber allen Open‑Source‑Modellen und den meisten proprietären Systemen. C1 übertrifft sogar seinen Distillationslehrer, liefert Lösungen in zwei Größenordnungen weniger Token und erzeugt erklärbare Strategien statt bloßer Zugvorschläge.

Master‑Distillation demonstriert, wie man Expertenwissen gezielt in kompakte Modelle einbettet und damit die Leistungsfähigkeit von Sprachmodellen in bislang unteroptimierten Domänen verbessert. Die Methode bietet einen klaren Pfad, um die Lücke zwischen generellen Sprachmodellen und spezialisierten Anwendungen zu schließen.