简而言之

  • Lichess 用一次一百万节点的服务器分析来标记你的着法。我把 300 局随机对局按两千万节点重跑了一遍，并逐个比对了标记。
  • 十个标记里有一个会变。不稳定的那个是「不准确」：57% 站得住，28% 在深搜下根本不算问题，15% 其实更糟。
  • 每二十局就有一局存在完全没被标出的错误，大多落在半个兵到三个兵之间，而对局正是在这一区间被决定的。
  • 其中三十二个未被标出的错误，取自有头衔棋手的对局，已整理成一套习题研究。

上周一局快棋里，Lichess 标了我八个着法。第 20 着不在其中，而它是个错误，是这局中报告完全没提到的三个错误之一。服务器给出 20.Qd1 之前 +1.2、之后 +0.9，落差太小，不足以标记。而给 Stockfish 二十倍的时间，它给出之前 +2.0、之后 +0.7。

一局快棋 71 个半着上的两条评估曲线，Lichess 为一百万节点，Stockfish 为两千万节点。两条线在前十九着彼此贴合，到第 20 着分开。 同一局棋评估了两次。Lichess 的曲线就是它图上显示的；圆点是它标记的着法，双方都有。圆圈是深搜判为错误而它没有标出的三个：20、24 和 26。

我想知道这种情况有多常见，于是按服务器预算的二十倍重新分析了 300 局随机对局，又按四倍分析了九位有头衔棋手的 800 局，并逐个比对标记。十个里有一个会变。最不该信的标记是「不准确」。而每二十局就有一局存在完全没被标出的错误，习题正是从这里来的。

标记是怎么产生的

服务器分析（fishnet，跑在捐赠 CPU 上的 Stockfish）对局中每个局面评估一次，每着 1,000,000 节点，大约是单核一秒。每个标记都是两个数字之差，即你走子前的局面和走子后的局面，换算成胜率，这样在 0.00 处失掉半个兵就比在 +5 处更严重。胜率下降 0.1 为不准确，0.2 为错误，0.3 为严重错误。

所以标记只看得到一百万节点看得到的东西，两端都是如此。如果搜索始终找不到反击手段，「之前」那个数字就从未知道你手里有什么，于是你的着法相对于它也就没有损失。我的 20.Qd1 就是这种情况：更好的格子只差一路，而惩罚要在三着之后才开始，超出了一秒搜索的视野。

两千万节点下会变什么

在 300 局随机等级分对局（1600 到 2400，取自 2026 年 8 月数据库）上，用同一套公式按 20,000,000 节点重新评估：

  • 十个着法里有一个标记会变。 变化在两个方向上数量相当，所以对局总结里的总数几乎不动，而底下的着法却在变。
  • 不准确是那个不稳定的标记。 在 1,805 个 Lichess 标记的不准确中，57% 在深搜下仍是不准确，28% 根本不算问题，15% 其实是错误或严重错误。严重错误的标记有 84% 站得住。
  • 每二十局就有一局存在完全没被标出的错误，每八局就有一局被标为错误的着法在深搜下根本不算问题。两者都集中在半个兵到三个兵之间，也就是对局被决定的区间。

对九位有头衔棋手各约一百局自己的着法做同样的分析：Lichess 扣在 Magnus Carlsen 头上的错误中，有四分之一在深搜下并不是错误，而对其他人则相反，每五个真正的错误里就有一个被贴了比它应得的更轻的标记。

棋手 对局数 Lichess 判的错误+严重错误 标记偏轻 标记偏重
Magnus Carlsen 104 195 18 (11%) 50 (26%)
Alireza Firouzja 104 215 45 (20%) 35 (16%)
Eric Rosen 102 225 45 (20%) 43 (19%)
Jerry (ChessNetwork) 104 287 45 (16%) 46 (16%)
Oleksandr Bortnyk 102 184 51 (25%) 30 (16%)
Sergei Zhigalko 103 218 53 (22%) 29 (13%)
Dmitry Andreikin 104 165 33 (19%) 26 (16%)
Ediz Gürel 61 117 37 (27%) 15 (13%)
Anish Giri 20 12 3 1

五个被分析放过的漏判

每个局面都出自上述对局。棋手走了图示的着法，分析没有给出任何标记，而两千万节点的搜索判定它是错误或更糟，相对的最佳着法是唯一的。棋盘从走子前的局面打开，你可以先自己找更好的着法；往前一步就会看到对局中的着法以及它本应得到的标记，反击手段则是研究里的变例，就在每个棋盘下方一点即可。

Zhigalko，黑方走。 白方刚走 Be5，攻击 c7 的后，黑方做了最自然的事：20…Qd7，把后撤出攻击。分析给出之前 −1.38、之后 −1.30，毫无损失。可是这个后并不需要救。20…Rxd2！弃掉车换子，21.Rxd2 之后兵走 21…c3！同时捉住 b2 的后和 d2 的车。白方把后吃回来（22.Bxc7 cxb2 23.Rxb2 Rxc7），最后是一车对黑方的双象加一马：深搜下 −3.2，而回撤只有 −1.3。反击手段以一个亏子的着法开头，这正是一秒搜索永远看不到它的原因。

Bortnyk，黑方走。 20…b5 攻击 c4 的象，分析从 −0.63 变到 −0.41。f5 的象本可以直接吃马：20…Bxe4！21.dxe4，这时另一只马落到 f4，随后 …e5 把象从 d4 赶走。黑方五着之内赢子，深搜 −2.7；次佳着法即立即 20…Nf4 只有 −0.6。

Bortnyk，黑方走，后的残局。 后加马对后加车，白方唯一的资本是 a 路兵。黑方走了 54…Qf6；分析说从 −1.58 到 −1.03。深搜下 Qf6 之后的局面是死和。54…Qa7+！55.Kg3 Qxa4 带将吃掉那个兵，残局是 −2.1，是胜势。

Carlsen，黑方走。 白后在 g4，马在 e4。Carlsen 走了 15…Ne5 攻击后，分析从 −0.94 变到 −0.43。兵走 15…f5！同时攻击两者：16.Qh3 fxe4 17.Bxe4 之后，黑方以一兵换得一马，评估 −1.9，而次佳着法（15…g6）落后一个半兵。浅层搜索把 …f5 读成松动王翼、把马的回撤读成安全，两种读法都是错的。

Gürel，白方走。 车的残局，各有一马；黑方 a3 的马无根，白方 d 路兵在 d5。白方走了 31.Nd4，分析从 +1.42 到 +1.06。31.d6！才是正着：车必须挡兵（31…Rxd6），然后 32.Nxa3 白吃一马。深搜 +3.9，而对局着法之后只有 +0.9。

全部 32 个都在这套研究里，按习题形式编排：先给局面，标出对局中的着法，反击手段作为变例并附上引擎的数值，此外对局后面每一个被 2000 万节点搜索判定的着法都带有自己的标记，旁边是引擎的变例。逼着性的解法排在前面，因为超出浅层视野的长战术是人能找到的；平静的那些排在后面。

读懂你自己的报告

「零错误」意味着在一百万节点下看不到错误。严重错误是真的，不准确有一半是真的，而那些让对手重新回到你已多一两个兵的局面里的着法，恰恰最有可能不带任何标记。如果某局棋很重要，就用你自己的引擎去跑，让它在 +0.5 到 +3 之间的局面上搜过 25 层再停。

测量方法

随机样本取自2026 年 8 月 Lichess 数据库中每第十局已分析的对局，且双方等级分都在 1600 到 2400 之间：共 300 局，20,227 个带服务器评估的着法。每个局面都经过 Stockfish 18（fishnet 所用的主版本）在单线程、20,000,000 节点下的分析，再用 lila 自己的公式（Advice.scala：胜率落差 0.1、0.2、0.3）生成第二套标记。这套公式用在 Lichess 自己的评估上时，能以 99.07% 的比例复现 Lichess 自己的标记，所以比较的两边都用它。两端存在必然杀的 842 个着法被排除，lila 对它们用另外的规则判断。节点预算写在 lila 的 Work.Origin 里：请求分析为 1,000,000，官方转播为 5,000,000，自动分析为 300,000 和 100,000。

Lichess 标记 20M 下无标记 不准确 错误 严重错误
无 15,281 496 13 2
不准确 504 1,033 233 35
错误 27 190 367 151
严重错误 12 18 134 889

这九位棋手的对局是他们在公开 API 上最近一百局已分析的等级分快棋和慢快棋（其中七位在 2026 年仍活跃；Carlsen 和 Firouzja 今年没有已分析的 Lichess 对局，所以他们的分别回溯到 2021 年和 2023 年），用更省的 4,000,000 节点分析。在随机样本上，4M 能找到 20M 所找到的略过一半，所以棋手的比率是下限。一个习题要留下来，必须满足：所走着法在 20M 下相对最佳着法至少损失 0.2 胜率，且该最佳着法比第二变例好 0.1 以上，搜索三条变例；之后还要满足：对该局面进行第二次独立的 20M 搜索仍判对局着法为错误。第一道关通过 35 个，第二道通过 32 个。这就是 20M 搜索中噪声的量级，也是为什么把更深的分析当作比真相近二十倍、而不是当作真相本身。

相关资源：

来解这 32 个习题 试试象棋习题 给国际象棋棋手的象棋入门