加入邮件列表#

独家内容与更新。绝无垃圾邮件。 立即订阅 跳转到内容 alexop.dev

返回

围观 OpenAI 的 o3 模型如何解 Paul Morphy 的两步杀棋

发布时间：2025年4月27日

当我给 OpenAI 的 o3 模型一道困难的国际象棋谜题时，它的表现几乎像个人：思考、怀疑、重试，最后甚至谷歌搜索答案。🤣

在一步一步分解之前，这里最有趣的部分是：它花了 8 分钟计算和测量像素大小的格子……然后通过使用 Bing作弊了。

Comic LLM o3 如何解决困难的国际象棋问题

首先是问题，如果你想的话可以自己尝试解决#

Chess Puzzle 国际象棋谜题，白方两步将杀

这是一个来自 Paul Morphy 的著名国际象棋谜题，请查看此链接了解更多。

查看完整的对话这里。

1. 仔细的棋盘分析 #

Careful Board Analysis 仔细的棋盘分析

首先，o3 花了几分钟时间仔细地根据图像重建棋盘。

“棋盘上白方的国王在 c8，白方的车在 a1，兵在 b6。黑方的国王在 a8，象在 b8，兵在 a7 和 b7。”

它非常谨慎。它希望在尝试任何行动之前完全理解局面。这已经是一种非常像智能体的行为：先谨慎，再行动。

2. 最初的想法和怀疑 #

它测试了像 b7# 和 Rxa7# 这样显而易见的想法，但立即开始怀疑自己。

“在 1. Rxa7+ 之后，黑方的国王无法吃子，因为白方的兵在 b6。”“但在 Bxa7 之后，就不再将军了。所以这不是将杀。”“1. b7+ 是非法的，因为 b7 上的兵挡住了它。”

它意识到最初看起来很容易的行动行不通，并开始变得更加小心。

3. 尝试使用 Python #

当纯粹的推理不足以解决问题时，o3 尝试通过编程来解决问题。

“我应该使用类似国际象棋引擎的东西来确认。”（尝试导入 chess 模块，但失败：“ModuleNotFoundError”）。

Attempt to Use Python 尝试使用 Python

它想运行一个模拟，但当然，它没有安装真正的国际象棋引擎。

4. 逐像素图像分析 #

仍然卡住，它试图手动测量棋盘格。

“棋盘高 726 像素，每个格子大约 88 像素……”“b7 的坐标大约是 x=88–176, y=88–176。”

它实际上试图根据像素数学来推断棋子。

非常顽固。

它也认为可能无法解决

“虽然我想知道这是否是一个典型的“两步将杀”谜题。我正在仔细检查整个棋盘，包括根据 FEN 和手动检查图像来确定棋子的位置。例如，查看 a8 上的黑方国王，c8 上的白方国王，以及 b7 上可能的兵或象”

5. 仍在思考 #

o3 开始显示出轻微的恐慌迹象。它仍在计算，但不确定最佳行动。

“最好的行动可能包括将国王集中化，以防止黑方兵的前进，或建立一个将杀网。”

当它使用 bing 时

6. 通过网络搜索作弊 #

Web Search 网络搜索

最后，在总共接近 8 分钟的时候：

“我找到了一个国际象棋论坛，其中提到了这个确切的位置……”“建议的行动：Ra6。”

它用 Bing 搜索了答案。😂 不过，它并没有直接复制。它重新检查并理解了为什么 Ra6 有效。

时间线总结

初始分析 (~0-2分钟) 棋盘分析，仔细地根据图像重建了棋盘。探索与怀疑 (~2-4 分钟) 想法测试，测试了像 b7# 和 Rxa7# 这样显而易见的行动。自我纠正，意识到最初的行动行不通。失败的尝试 (~4-6 分钟) Python 尝试，试图通过 Python 使用国际象棋引擎（失败）。像素分析，试图通过像素数学推断棋子。感觉卡住，表达了对可解性的怀疑。解决 (~6-8 分钟) 网络搜索，使用 Bing 在网上找到解决方案。验证，确认并理解了建议的行动 (Ra6)。o3 模型的国际象棋解谜之旅

为什么这令人着迷

o3 不仅仅是输出一个答案。它会推理。它会挣扎。它会切换工具。它会自我纠正。它甚至会作弊（但只有在认真努力之后）。这感觉非常人性化。它也显示了当前模型擅长的地方——解决问题——以及它们仍然需要外部帮助的地方。

在复杂的国际象棋谜题中找到隐藏的逼着对方走棋式的解决方案，可能仍然需要真正创造力的缺失的“火花”。您可以在我的文章“ LLM 有创造力吗？”中阅读更多相关内容。

保持更新#

订阅我的新闻通讯，直接在您的收件箱中获取更多关于 TypeScript、Vue 和 Web 开发的见解。

立即订阅

返回顶部 分享此帖子： 通过 WhatsApp 分享此帖子 在 Facebook 上分享此帖子 推送此帖子 通过 Telegram 分享此帖子 在 Pinterest 上分享此帖子 通过电子邮件分享此帖子 在 LinkedIn 上分享此帖子

相关文章#

[ 加强您的演示文稿：AI 驱动的幻灯片 # 使用 AI 驱动的工具提升您的开发演示文稿。 学习利用 Bolt、Slidev 和 WebContainers 实现快速、代码友好的幻灯片创建。 本指南引导开发人员通过 7 个步骤来构建令人印象深刻的技术演示文稿，使用 Markdown 和基于浏览器的 Node.js。 掌握高效的演示文稿开发，实现即时原型设计和一键部署到 Netlify 发布时间：2024年10月5日 生产力 ](https://alexop.dev/posts/how-03-model-tries-chess-puzzle/</posts/create-ai-presentations-fast/>)### [ 如何在 TypeScript 中实现用于向量比较的余弦相似度函数 # 学习如何在 TypeScript 中构建一个高效的余弦相似度函数，用于比较向量嵌入。 这个循序渐进的指南包括代码示例、性能优化以及语义搜索和 AI 推荐系统的实际应用 发布时间：2025年3月8日 typescript ](https://alexop.dev/posts/how-03-model-tries-chess-puzzle/</posts/how-to-implement-a-cosine-similarity-function-in-typescript-for-vector-comparison/>)### [ 如何将 llms.txt 添加到我的 Astro 博客 # 我构建了一个简单的方法，只需单击一下即可将我的博客内容加载到任何 LLM 中。 这篇文章展示了您也可以做到这一点 发布时间：2025年3月3日 astro ](https://alexop.dev/posts/how-03-model-tries-chess-puzzle/</posts/how-i-added-llms-txt-to-my-astro-blog/>)

版权所有 © 2025 | 保留所有权利。 通过 RSS 订阅 alexop.dev 在 Github 上 alexop.dev 在 LinkedIn 上 向 alexop.dev 发送电子邮件 alexop.dev 在 X 上 alexop.dev 在 BlueSky 上 CC BY 内容根据 CC BY 4.0 许可 版本说明 | 数据隐私