摘要
本文解读 arXiv 2026 论文《Mixing Expert Knowledge: Bring Human Thoughts Back To the Game of Go》。该论文提出LoGos （Language-Oriented Go System），通过融合启发式规则合成专家数据 、长 CoT 混合冷启动 与GRPO 自探索强化学习 ，把通用大模型变成能在自然语言中分析局面、推理并落子的职业级围棋棋手，其特别之处在于全程不依赖稀缺的人类推理标注，仅用可规模化的结构化专家知识。实验表明 LoGos(32B) 在自建基准 KataGo-Bench-1K 上达到 88.6% 的预测准确率，约为最强通用 LLM 基线 Claude3.7-Sonnet（34.3%）的 2.6 倍，并超越职业棋手模拟器 KataGo-HumanSL-9d（87.8%），同时保持 32B 量级领先的通用推理能力，为稀缺语料专业领域的大模型应用提供了重要借鉴。
视频讲解 ：点击观看 B 站视频
- 摘要
- 论文基本信息
- 背景与动机：为什么通用大模型下不好围棋？
- 研究主线：从问题到结论
- [基准/方法设计：LoGos 的定位](#基准/方法设计：LoGos 的定位)
- [分类全景：LoGos 训练配方四要素](#分类全景：LoGos 训练配方四要素)
- 方法细节：三阶段训练配方
- 实验设计与结果：职业级棋力与通用能力兼得
- 自探索实验：冷启动为什么必不可少
- 奖励设计消融：平滑奖励爬得更高
- 数据混合比：一轮围棋数据最优
- [基准公平性：ELO 相关 r=0.92](#基准公平性：ELO 相关 r=0.92)
- [上下文诅咒：2D 棋盘渲染的解法](#上下文诅咒：2D 棋盘渲染的解法)
- 结果对比总结
- 关键发现
- 局限性
- 常见问题（FAQ）
- [LoGos 是什么？](#LoGos 是什么？)
- [LoGos 和 AlphaGo、KataGo 有什么区别？](#LoGos 和 AlphaGo、KataGo 有什么区别？)
- [LoGos 的训练数据从哪里来？](#LoGos 的训练数据从哪里来？)
- 为什么必须"混合冷启动"再强化学习？
- [KataGo-Bench-1K 公平吗？](#KataGo-Bench-1K 公平吗？)
- 这套方法能用到围棋以外的领域吗？
- 参考链接
论文基本信息
| 项目 | 内容 |
|---|---|
| 标题（英文） | Mixing Expert Knowledge: Bring Human Thoughts Back To the Game of Go |
| 标题（中文） | LoGos：把人类思考带回围棋------通用大模型的专业领域专家之路 |
| 作者 | Yichuan Ma, Linyang Li, Yongkang Chen, Peiji Li, Jiasheng Ye, Qipeng Guo, Dahua Lin, Kai Chen |
| 机构 | 上海人工智能实验室 · 复旦大学 · 香港中文大学 |
| 会议 | arXiv 2026 |
| arXiv | https://arxiv.org/abs/2601.16447 |
| 项目网站 | https://github.com/Entarochuan/LoGos |
背景与动机：为什么通用大模型下不好围棋？
围棋是通用大模型的"能力洼地"。2016 年 AlphaGo 用蒙特卡洛树搜索加深度神经网络击败李世石，2017 年 AlphaZero 更是不依赖人类知识就掌握了围棋，AI 的性能天花板早已确立。然而主流大模型在围棋上连入门水平都达不到：在 KataGo-Bench-1K 上，最强的通用模型 Claude3.7-Sonnet 也只有 34.3% 的预测准确率，远低于入门级模拟器 KataGo-HumanSL-18k 的 67.4%。
为什么差距这么大？原因有三点：
- 语料稀缺：围棋的专业自然语言语料极少，靠预训练无法获得棋理与术语；
- 蒸馏失效：直接蒸馏通用模型或在大规模领域语料上预训练（如 fin-R1、PMC-LLaMA 路线）在围棋上行不通；
- 结构错配：ChessGPT 等棋类 LLM 只做结构化落子预测，没有自然语言推理，更谈不上保持通用能力。
本文的核心问题是：能否把专业能力注入通用模型，同时保持通用推理？ 作者的洞察是：围棋虽然缺少"人类推理轨迹"，但拥有大量可规模化的结构化专家知识（KataGo 引擎可批量标注）。如果把结构化知识变成"像人一样思考"的合成数据，再用长 CoT 推理数据做冷启动，最后用强化学习让模型自探索，也许就能绕过人工标注的瓶颈。
从历史视角看，围棋 AI 经历了从专用到通用的迁移：AlphaGo（2016）确立 MCTS+深度学习的路线，AlphaZero（2017）摆脱人类知识，KataGo（2020）开源并支持人类风格训练成为社区标准，而 LoGos（2026）是第一个用自然语言推理达到职业级的通用大模型。
研究主线：从问题到结论
图 10：LoGos 研究主线（Mermaid 流程图）------问题、动机、设计、方法、实验、结论的完整链路。
基准/方法设计：LoGos 的定位
图 1：LoGos 与通用 LLM、围棋专用模型的对战胜率对比------与职业棋手同级的对局表现，远超所有既有 LLM。
围棋的复杂度可以用 b\^d 刻画：b \\approx 250 是平均合法着法数，d \\approx 150 是典型对局长度，远超国际象棋（b \\approx 35，d \\approx 80）。LoGos 把整局棋谱建模为输入序列：x_{k+1} = \\pi_\\theta(x_1, x_2, \\ldots, x_k)，用 X/O 区分黑白双方，坐标即落子，无需棋盘编码即可训练。相比 KataGo 这类 MCTS 引擎，LoGos 输出的是带推理过程的自然语言回答，而不是一个孤立的落子坐标。
分类全景：LoGos 训练配方四要素
图 11：LoGos 训练配方四要素（Mermaid 分类图）------数据构造、混合冷启动、GRPO 自探索、2D 棋盘渲染。
方法细节：三阶段训练配方
LoGos 的训练分三步。第一步是专家数据构造：收集超过 500 万局业余顶尖与职业棋手对局，均匀采样出超过 1000 万（10M）个棋局状态，用开源引擎 KataGo 标注出前 10 个候选落子、后续变化与胜率数值，再按四步启发式模板（确认行棋方 → 分析多个候选点 → 总结选点 → 结构化输出）生成"像人一样思考"的合成样本；同时收集 10 万（100K）条职业解说构建解说数据集。
图 2：模型先分析局面再落子------给定棋局先描述形势，再给出下一步（R8）与胜率估计。
第二步是混合冷启动：把围棋数据与数学、代码等领域的蒸馏长 CoT 数据（OpenThoughts-114K、NuminaMath-QwQ-CoT-5M、OpenCodeReasoning、Bespoke-Stratos-17k 等）混合做监督微调，同时注入领域知识并激活长思维链能力。
图 3：整体方法------混合冷启动注入围棋专家知识与长 CoT 能力，GRPO 阶段模型自发形成"分析-推理-总结-落子"的稳定策略。
第三步是 GRPO 自探索 。作者设计了分段奖励函数：按落子与 KataGo 排名的匹配度分三档给奖励（c_1=0.8、c_2=0.6、c_3=0.4，满足 c_1 \> c_2 \> c_3 \> \\alpha_1 + \\alpha_2），同时用 \\alpha_1=0.1、\\beta_1=10 惩罚胜率估计偏差，用 \\alpha_2=0.2、\\beta_2=10 奖励同档内更优的落子。这个"平滑"的奖励设计让模型在长思维链形式下自我探索，最终把专家知识内化为稳定的自然语言推理策略。
训练细节上，冷启动阶段最大序列长度 32,768 tokens，cosine 学习率 4e-5 到 4e-6，7B 模型用 32 张 A800(80GB)、32B 用 64 张；GRPO 阶段基于 VeRL 框架，batch 64、每样本 16 个 rollouts、最大响应 8,192 tokens、KL 系数 5e-4。
实验设计与结果：职业级棋力与通用能力兼得
评测协议：围棋能力用自建 KataGo-Bench-1K（1000 个覆盖不同棋力水平的棋局状态，预测命中候选落子即算正确）；通用能力用 GPQA-Diamond、BBEH、KOR-Bench、AIME、MATH、LiveCodeBench 六个基准（OpenCompass 框架，AIME/MATH 用 Qwen2.5-72B-Instruct 判分）。
主结果（KataGo-Bench 与通用基准，%）：
| 模型 | KataGo-Bench | GPQA | AIME | MATH |
|---|---|---|---|---|
| DeepSeek-R1 | 17.6 | 69.7 | 86.7 | 97.6 |
| o1-mini | 27.3 | 61.1 | 56.7 | 95.0 |
| Claude3.7-Sonnet | 34.3 | 67.7 | 30.0 | 79.8 |
| DeepSeek-R1-Distill-Qwen-32B | 4.7 | 56.1 | 46.7 | 94.5 |
| LoGos(7B) | 88.1 | 37.9 | 40.0 | 93.2 |
| LoGos(32B) | 88.6 | 63.6 | 56.7 | 96.5 |
| KataGo-HumanSL-9d | 87.8 | --- | --- | --- |
自探索实验：冷启动为什么必不可少
图 4：自探索实验------(a) 冷启动模型的 RL 性能曲线；(b) 无冷启动直接 RL 的上限；(c) 朴素拟合 vs 启发式规则冷启动。
冷启动模型的 RL 起点是 60--70%（入门级），训练中快速越过中段棋手模拟器 KataGo-HumanSL-1d（79.7%），最终超过职业模拟器 HumanSL-9d。两个对照实验给出关键结论：
- 无冷启动：直接对 Instruct / R1-Distill 模型做 GRPO，上限低于入门线 67.36%------通用推理数据无法替代领域知识；
- 朴素拟合：去掉启发式规则只做直接预测，上限不到 50%，而启发式数据达到 88%------专家数据的结构化程度直接决定自探索天花板。
奖励设计消融：平滑奖励爬得更高
图 5：奖励设计消融------不同奖励设置下 RL 自探索的性能上限对比。
作者对比了三种变体：只奖励第一名落子的 Top-1 稀疏奖励、Top-3 不分档奖励、以及分档但去掉内层胜率惩罚的设置。结果显示稀疏奖励分布导致性能上限更低，而平滑的分段奖励达到最高探索上限。
数据混合比：一轮围棋数据最优
图 6：不同围棋数据混合比下的 RL 性能------1 epoch 围棋数据最终上限更高。
围棋数据训练 1 epoch 比 2 epoch 最终上限更高，说明冷启动只需"学到结构"，过度拟合专家数据反而压缩自探索空间。同时把 0--10M 围棋数据混入后，MATH/AIME/OmniMath/GPQA 波动不超过 3 个点，领域数据注入不牺牲通用推理。
基准公平性：ELO 相关 r=0.92
图 7：ELO 等级分与 KataGo-Bench-1K 性能的相关性（r=0.92）------基准公平反映真实棋力。
作者组织多模型循环赛，用标准 ELO 公式 ELO(A)*{new} = ELO(A)*{old} + K \\cdot (S_A - E_A)（K=32）更新等级分，期望得分 E_A = \\frac{1}{1 + 10\^{(ELO_B - ELO_A)/400}}。各模型 ELO 与基准准确率相关系数 r=0.92，证明基准分数与真实对局竞争力高度一致。
上下文诅咒：2D 棋盘渲染的解法
图 8：上下文诅咒------随棋谱序列长度增长，LLM 预测准确率下降，而直接表示盘面的引擎保持稳定。
棋谱序列越长，模型对局面的理解越差：任意两手棋 x_i 与 x_j 互换都会产生全新局面。案例中 LoGos 前 160 手保持优势，随后 40 手连续失误被 Golaxy-GiantElephant 逆转。解法是在输入中附加 19×19 盘面数组（1=黑、-1=白、0=空），把"序列记忆"变成"显式状态"。
图 9：加入 2D 盘面渲染后------长序列（200+ 手）仍保持高准确率，上下文诅咒得到缓解。
结果对比总结
图 12：结果对比总结（Mermaid 流程图）------34.3% 基线到 88.6% 职业级，通用能力保持。
关键发现
- 首个职业级围棋通用 LLM：LoGos(32B) 在 KataGo-Bench-1K 上达到 88.6%，约为最强通用基线 Claude3.7-Sonnet（34.3%）的 2.6 倍，并超过职业模拟器 HumanSL-9d（87.8%）。
- 双尺寸验证：7B 模型同样达到 88.1%，说明范式在小模型上也可复现。
- 通用能力不倒退：LoGos(32B) 的 MATH 96.5、GPQA 63.6、LiveCodeBench 50.9，全面优于同量级 Instruct 模型。
- 自探索涌现：冷启动后模型在 RL 中自发形成"分析-推理-总结-落子"的稳定策略，无需人类示范。
- 人类评估：邀请业余顶尖棋手盲评，落子正确率 96.5%，解说完全正确率 55.6%，同时发现术语误用与模糊解说的短板。
- 开源三件套：首个 10M 级 LLM 围棋数据集、首个围棋评测基准 KataGo-Bench-1K（ELO 相关 r=0.92）、LoGos 模型全部发布。
局限性
- 依赖专家知识源：方法需要可规模化的专业标注（如 KataGo）与按领域定制的启发式规则，迁移到其他领域需重新设计。
- 训练效率：自探索 RL 较慢，训练棋局数远少于传统引擎；自回归架构对实时推理任务构成效率约束。
- 术语误用：围棋 600+ 术语，开局阶段偶发错用（如把 D17 称作星位），且训练中没有任何术语奖励。
- 解说模糊：部分解说如"建立雄厚外势"宽泛有效但信息量低，与人类期望不完全对齐。
常见问题（FAQ）
LoGos 是什么？
LoGos（Language-Oriented Go System）是上海AI实验室等团队发布的围棋大模型，名字取希腊语"语言"与"思想"之意，是第一个在自然语言推理下达到职业棋手水平的通用 LLM。
LoGos 和 AlphaGo、KataGo 有什么区别？
AlphaGo/KataGo 是专用引擎，用蒙特卡洛树搜索下棋，输出只有落子坐标；LoGos 是通用大模型，用自然语言分析局面、推理并落子，同时保持数学、代码等通用能力，还能给出人类可读的解说。
LoGos 的训练数据从哪里来？
作者收集 500 万+ 局业余顶尖与职业对局，采样 10M 个棋局状态用 KataGo 引擎按四步启发式模板标注成"思考型"合成数据，另收集 100K 条职业解说，全程不依赖人工标注推理链。
为什么必须"混合冷启动"再强化学习？
消融实验显示：直接对 Instruct 模型做 GRPO，上限低于入门线 67.36%；先混合围棋数据与长 CoT 数据微调再 RL，能达到 88%+。通用推理数据与结构化专家数据缺一不可。
KataGo-Bench-1K 公平吗？
公平。作者用多模型循环赛的 ELO 等级分与基准准确率做相关性分析，相关系数 r=0.92，说明基准分数与真实对局竞争力高度一致。
这套方法能用到围棋以外的领域吗？
作者认为可以，前提是领域具备"可规模化的结构化专家知识"（如科学发现、数据分析、工业控制），并把专家知识转成模型可学习的合成数据。
参考链接
- 论文 arXiv 页面：https://arxiv.org/abs/2601.16447
- 项目网站（数据/基准/模型）：https://github.com/Entarochuan/LoGos
- KataGo 开源引擎：https://github.com/lightvector/KataGo
- AlphaGo（Nature 2016）：https://www.nature.com/articles/nature16961
- AlphaZero（Nature 2017）：https://www.nature.com/articles/nature24270
- DeepSeekMath（GRPO 来源）：https://arxiv.org/abs/2402.03300
给大家推荐一款自用写文献综述、无虚构文献的 AI：
🌟 复旦大学 FudanNLP 团队自研 切问学术
覆盖 3.6 亿篇可溯源真实中英文文献，能自动整合文献观点生成规范综述
还能挖掘研究创新点、复现实验，配合视频教学，新手快速上手文献综述写作
🍀后记🍀
博客的关键词集中在编程、算法、机器人、人工智能、数学等等，持续高质量输出中。
🌸讨论QQ群 ：白拾的小屋 (750365700)
⭐B站账号 ：白拾的物理AI组会（活跃于知识区和动画区）
✨GitHub主页 ：YhbCode000（工程文件）