谷歌发起的“首届大模型对抗赛”，在赛前就已经话题度拉满，但是随着8月5日比赛正式打响，参赛AI展现出的水平或许令人有些失望。相比于两款中国模型DeepSeek-R1和Kimi K2 Instruct的首轮折戟，比赛传递出的更重要信息在于，通用大模型的推理能力还存在普遍性缺陷。

低级失误不断的比赛

首先要说明的是，所谓“首届大模型对抗赛”，其实在比赛形式和参赛AI大模型的选择上都备受争议。

这次比赛的形式是让大模型两两捉对下国际象棋。谷歌DeepMind团队，也就是2017年凭借AlphaGo彻底在棋类项目上击败人类的团队，为大模型提供了技术接口，让大模型能够“看懂”棋盘。

参赛的8个大模型中，包括了OpenAI的o4-mini、o3，谷歌的Gemini 2.5 Pro、Gemini 2.5 Flash，Anthropic的Claude Opus 4，xA的Grok 4，以及来自中国团队的DeepSeek-R1和Kimi K2 Instruct。

其中两款中国模型的选择受到了不少质疑，首先，Kimi K2 Instruct并非推理模型，在下棋场景存在天然劣势，而DeepSeek-R1已经是半年前发布的“老模型”。因此，不管其表现如何，比赛结果都不能客观反映中国大模型行业的真实水平。

在比赛的官方网站上，也有用户提出了这样的质疑。而主办方的回复称，这次比赛只是一个开始，后续会将更多中国模型纳入。

从首轮比赛结果来看，两款中国模型也确实都表现不佳。

从对阵图中可以看到，首轮四组对决都呈现“一边倒”的态势，获胜方全部都取得了4-0的全胜战绩。

如果具体来看比赛过程，Kimi K2 Instruct不出意外是表现最差的模型，不光贡献了仅仅4回合就被对手将死的最快败局，还多次因为非法移动被判负（比赛规则设定，如果连续4次尝试非法移动就会被判负）。

例如下面的场景中，Kimi试图用白马去吃掉对方的黑后，而没有意识到马是不能这样移动的。即使在被人工告知这是非法移动后，它仍然坚持认为这是最优走法。

在另外一局中，Kimi甚至无法正确识别棋子的位置。

事实上，尽管有不少低级错误，Kimi在每一盘的开局中都还表现中规中矩，能够使用人类的经典开局方式，显示出大模型对于国际象棋的基础知识是有认知的。只不过随着局面开始复杂化，所有大模型都开始变得力不从心。

例如在下面这个场景中，DeepSeek-R1下出了糟糕的一步：把白后移动到c3的位置。

在推理过程中可以看到，DeepSeek-R1认为对方的黑后威胁到了己方c2的兵，因此打算将白后移动到c3，认为这样可以逼迫黑后做出避让，并用d列的白车威胁同列的黑王。

但是到了下一回合，白棋仿佛就忘记了前面的考虑，在明明有其它选择的情况下，用自己的王挡住了车的路线，白白损失掉白后。

有国际象棋爱好者对观察者网指出，这里更常规的选择是白后D4吃兵，在将军的同时还能解放出己方车的路线。看上去，DeepSeek-R1似乎只能考虑到有限的几种情况，缺乏多步推理和全局概念。

需要指出的是，这不是DeepSeek-R1独有的问题，基本上每个大模型都在常规的开局后，迅速开始下出各种“昏招”。

在专业的国际象棋网站Chess.com看来，只有Grok 4的表现略胜一筹，能够较好地识别和捕获对方未设防的棋子。

马斯克也在第一时间“炫耀”说，（下棋）只是Grok 4的“副作用”，他们并未对此做专门训练。

比赛的真正意义是什么？

那么从首日战况来看，这项赛事到底说明了什么，又有多大意义？

首先，“首届大模型对抗赛”这样的说法，或许并不合适，因为比赛测试的仅仅是下国际象棋这样的单一能力，并不能完全反映一个模型的综合水平。

即使把重点放在“对抗”上，其实也早已经有LM Arena这样的知名对战平台。

但是谷歌的野心，也不仅仅是办一场国际象棋比赛。事实上，本次比赛更像是谷歌为了打造一个更大规模LLM评价体系的“垫场赛”。

承办本次比赛的Kaggle，本就是谷歌旗下知名的数据科学赛事平台，在行业内享有很高声誉，如今在DeepMind加持下进军LLM赛事，最终应该是希望打造一套更加完整权威的评价体系。

当前每逢各家大模型上新，“刷榜”已经成了标准操作，各种“SOTA”层出不穷，但是业内对这些榜单能否真正客观体现模型能力，一直存在质疑。甚至不排除模型在训练阶段，就会针对榜单题目进行针对性优化。

从这个角度来说，如果能够建立一套新的评级体系，掌握评级话语权，对于谷歌在AI领域的地位将是极大的加强。

如果只看国际象棋比赛比赛本身，我们也可以看到，其对大模型能力的评估确实也有相当的参考价值。例如，非推理模型Kimi K2 Instruct的确表现较差，而Gemini 2.5 的Pro和Flash也体现出了能力差距。

而对行业来说，这项比赛也让我们更清晰地看到，即使是2025年最新的推理大模型，在解决垂直问题时的表现，不但不如多年前的AlphaGo，甚至也可能远远不如受过基本训练的人类。单靠通用模型去做场景落地并不现实，这意味着应用层面的创业者仍有广阔空间。