Mixture-of-Masters（MoM）：以 GPT 專家重現棋手風格的象棋混合專家模型

Mixture-of-Masters（MoM）：讓象棋模型重現大師人格

核心新聞：研究團隊提出 Mixture-of-Masters（MoM），透過多個小型 GPT 專家與可學習閘門，解決現有密集型模型的風格均化問題，並在對弈表現與生成多樣性上取得進展。

背景說明：現代象棋語言模型通常採用密集型 transformer，在數百萬局與數千名高段位棋手資料上訓練，卻常出現風格模糊、稀有策略被壓抑的現象。

方法重點：MoM 導入多個小型 GPT 專家，每位專家模擬一位世界級大師的人格。系統設計一個事後可學習的閘門（gating network），在每一步根據棋局狀態選擇最合適的人格，使模型能動態切換不同風格，例如呈現塔爾式的進攻傾向或佩特羅相式的防守穩健。

主要發現：在未見的標準棋局與 Stockfish 對戰評測中，MoM 在維持風格多樣性、可控性與可解釋性下，勝過單一密集專家網路與以彙整資料訓練的 GPT 基線。研究指出，混合專家架構能有效對抗模型同質化，並提供更清晰的風格切換機制，對象棋 AI 的策略多樣化與風格控制具有實務意義。

延伸閱讀

• 模型合併新架構：C2M3、TSV 與 MERGE3 將已學習能力直接組合
• LEAP：在蒸餾訓練中導入早停感知以恢復嵌入模型延遲優勢
• Caracal：以多頭傅立葉（MHF）與頻域因果遮罩實現長序列 O(L log L) 全局混合

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。