Рейтинг шахматных движков 2019

A note on classical and NNUE evaluation

Both approaches assign a value to a position that is used in alpha-beta (PVS) search
to find the best move. The classical evaluation computes this value as a function
of various chess concepts, handcrafted by experts, tested and tuned using fishtest.
The NNUE evaluation computes this value with a neural network based on basic
inputs (e.g. piece positions only). The network is optimized and trained
on the evaluations of millions of positions at moderate search depth.

The NNUE evaluation was first introduced in shogi, and ported to Stockfish afterward.
It can be evaluated efficiently on CPUs, and exploits the fact that only parts
of the neural network need to be updated after a typical chess move.
The nodchip repository provides additional
tools to train and develop the NNUE networks.

On CPUs supporting modern vector instructions (avx2 and similar), the NNUE evaluation
results in stronger playing strength, even if the nodes per second computed by the engine
is somewhat lower (roughly 60% of nps is typical).

Note that the NNUE evaluation depends on the Stockfish binary and the network parameter
file (see EvalFile). Not every parameter file is compatible with a given Stockfish binary.
The default value of the EvalFile UCI option is the name of a network that is guaranteed
to be compatible with that binary.

Terms of use

Stockfish is free, and distributed under the GNU General Public License version 3
(GPL v3). Essentially, this means that you are free to do almost exactly
what you want with the program, including distributing it among your
friends, making it available for download from your web site, selling
it (either by itself or as part of some bigger software package), or
using it as the starting point for a software project of your own.

The only real limitation is that whenever you distribute Stockfish in
some way, you must always include the full source code, or a pointer
to where the source code can be found. If you make any changes to the
source code, these changes must also be made available under the GPL.

For full details, read the copy of the GPL v3 found in the file named

Large Pages

Stockfish supports large pages on Linux and Windows. Large pages make
the hash access more efficient, improving the engine speed, especially
on large hash sizes. Typical increases are 5..10% in terms of nodes per
second, but speed increases up to 30% have been measured. The support is
automatic. Stockfish attempts to use large pages when available and
will fall back to regular memory allocation when this is not the case.

Support on Linux

Large page support on Linux is obtained by the Linux kernel
transparent huge pages functionality. Typically, transparent huge pages
are already enabled and no configuration is needed.

ТОП-50 движков

Движок ЭЛО Игры Баллы Победы % Ничьи % Автор
 1  Stockfish 10 3551   27653  86.76 74.49 24.50 Romstad, Costalba, Kiiski, Linscott
 2  Houdini 6.02 3465   16240  80.81 64.08 33.40 Robert Houdart
 3  Komodo 12.3 3396   40000  73.93 56.79 34.30 Dailey, Kaufman,Lefler
 4  Fire 7.1 3354   30075  69.41 48.65 41.50 Norman Schmidt
 5  Xiphos 0.5 3319   19700  66.66 46.95 39.40 Milos Tatarevic
 6  Ethereal 11.25 3312   24470  65.33 44.07 42.50 Andrew Grant
 7  Laser 1.7 3274   22499  61.94 41.82 40.20 Jeffrey An, Michael An
 8  Shredder 13 3271   40771  63.93 42.05 43.80 Stefan Meyer-Kahlen
 9  Booot 6.3.1 3251   17406  53.43 27.02 52.80 Alex Morozov
 10  Andscacs 0.95 3239   25722  58.23 37.85 40.80 Daniel Jose Queralto
 11  Fizbo 2.0 3233   33983  56.74 37.79 37.90 Youri Matiounine
 12  Gull 3 3194   35168  58.29 37.03 42.50 Vadim Demichev
 13  Schooner 2.0.34 3169   20336  50.21 30.56 39.30 Dennis Sceviour
 14  Fritz 16 3159   21943  52.16 31.90 40.50 Chessbase
 15  Equinox 3.30 3152   27196  54.86 33.39 42.90 Colli, Rocchi
 16  Chiron 4 3150   27433  51.62 29.90 43.40 Ubaldo Andrea Farina
 17  Critter 1.6a 3145   32304  53.61 32.41 42.40 Richard Vida
 18  Rofchade 2.0 3132   21250  47.47 27.60 39.70 Ronald Friedrich
 19  Nirvana 2.4 3117   25259  49.34 28.89 40.90 Thomas Kolarik
 20  Pedone 1.9 3108   18902  45.14 26.15 38.00 Fabio Gobbato
 21  Texel 1.07 3098   23670  47.34 29.07 36.60 Peter Osterlund
 22  Hannibal 1.7 3094   27263  46.92 26.74 40.40 Sam Hamilton, Edsel Apostol
 23  Nemorino 5.00 3093   20484  45.13 27.39 35.50 Christian Gunther
 24  Senpai 2.0 3074   22396  44.15 25.30 37.70 Fabien Letouzey
 25  Protector 1.9.0 3062   25684  45.86 25.95 39.80 Raimund Heid
 26  iCE 3.0 3058   21805  46.82 28.75 36.10 Thomas Petzke
 27  Vajolet 2.2.6 3058   15110  42.40 22.90 39.00 Marco Belli
 28  Chess22k 1.12 3048   16377  38.13 20.19 35.90 Sander Maassen vd Brink
 29  Arasan 21.3 3043   2700  33.91 18.56 30.70 Jon Dart
 30  Wasp 3.50 3030   20812  39.01 21.12 35.80 John Stanback
 31  Smarthink 1.98 3030   16979  42.61 28.40 28.40 Sergei Markoff
 32  SCTR 1.1f 3000   4990  36.44 19.58 33.70 Can Catin, Dogac Eidenk
 33  Naum 4.6 3000   25742  39.35 21.53 35.60 Aleksandar Naumov
 34  Demolito 2018-10-29 2980   17426  35.54 20.34 30.40 Lucas Braesch
 35  ChessBrainVB 3.70 2980   2113  51.16 32.23 37.90 Roger Zuehlsdorf
 36  Pirarucu 2.9.5 2979   12248  38.33 22.14 32.40 Raoni Campos
 37  Rodent III 0.273 2949   12901  35.83 19.89 31.90 Pablo Vazquez, Pawel Koziol
 38  Deuterium 2019.1.36.50 2947   16266  31.24 15.90 30.70 Ferdinand Mosca
 39  HIARCS 14 2940   19029  36.52 20.69 31.70 Mark Uniacke
 40  Bobcat 8.0 2929   16544  32.41 16.95 30.90 Gunnar Harms
 41  Hakkapeliitta 3.0 2928   14833  34.14 21.15 26.00 Mikko Aarnos
 42  Alfil 15.8 2926   777  45.37 25.10 40.50 Enrique Sanchez Acosta
 43  Amoeba 2.8 2905   13761  31.57 16.74 29.70 Richard Delorme
 44  Crafty 25.2 2894   14925  29.65 16.42 26.50 Bob Hyatt
 45  Dirty Cucumber 2892   2134  43.09 25.68 34.80 Kannan, Valverde, Bluemers
 46  Cheng 4.39 2891   17575  30.77 16.12 29.30 Martin Sedlak
 47  Spark 1.0 2884   18551  31.44 16.28 30.30 Allard Siemelink
 48  Sjeng 2010 2880   17481  30.08 16.08 28.00 Gian-Carlo Pascutto
 49  Spike 1.4 2868   19773  29.50 15.27 28.50 Volker Bohm, Ralf Schafer
 50  Atlas 3.91 2862   12107  25.58 13.70 23.70 Andres Manzanares Campillo


This distribution of Stockfish consists of the following files:

  • Readme.md, the file you are currently reading.

  • Copying.txt, a text file containing the GNU General Public License version 3.

  • src, a subdirectory containing the full source code, including a Makefile
    that can be used to compile Stockfish on Unix-like systems.

  • a file with the .nnue extension, storing the neural network for the NNUE
    evaluation. Binary distributions will have this file embedded.

Note: to use the NNUE evaluation, the additional data file with neural network parameters
needs to be available. Normally, this file is already embedded in the binary or it can be downloaded.
The filename for the default (recommended) net can be found as the default
value of the UCI option, with the format
(for instance, ). This file can be downloaded from

replacing as needed.


Программа возникла из Глаурунга , шахматного движка с открытым исходным кодом , созданный Ромстад и первый выпущенный в 2004 году четыре года спустя, Costalba, вдохновленный сильным открытым исходным двигателем, решил раскошелиться проект. Он назвал его Stockfish, потому что он был «произведен в Норвегии и приготовлен в Италии» (Romstad — норвежский, Costalba — итальянский). Первая версия Stockfish 1.0 была выпущена в ноябре 2008 года. Некоторое время новые идеи и изменения кода передавались между двумя программами в обоих направлениях, пока Ромстад не решил отказаться от Glaurung в пользу Stockfish, который был более продвинутым движком. в это время. Последний Glaurung (версия 2.2) был выпущен в декабре 2008 года.

Примерно в 2011 году Ромстад решил отказаться от участия в Stockfish, чтобы больше времени уделять своему новому шахматному приложению для iOS.

18 июня 2014 года Марко Костальба объявил, что «решил уйти с должности сопровождающего Stockfish», и попросил сообщество создать форк текущей версии и продолжить ее разработку. Официальный репозиторий, которым управляет группа добровольцев из основных разработчиков Stockfish, был создан вскоре после этого и в настоящее время управляет развитием проекта.

В июне 2020 года разработчики обсудили форк эффективно обновляемой нейронной сети (NNUE), представленный компьютерными программистами- сёги под названием Stockfish NNUE. В июле 2020 года в шахматных новостях сообщалось, что Stockfish NNUE «проложил новый путь в компьютерных шахматах, включив нейронную сеть в уже невероятно мощный шахматный движок Stockfish». Было объявлено о слиянии NNUE со Stockfish, и доступны сборки для разработки.

2 сентября 2020 года была выпущена двенадцатая версия Stockfish, включающая вышеупомянутое усовершенствование нейронной сети. Согласно объявлению в блоге, эта новая версия «играет значительно сильнее, чем любые из ее предшественников», обычно выигрывая в десять раз больше игр, чем проигрывает при сопоставлении с одиннадцатой версией.


С 2013 года Stockfish разрабатывается с использованием среды распределенного тестирования Fishtest , где добровольцы могут жертвовать процессорное время для тестирования улучшений программы.

Изменения в игровом коде принимаются или отклоняются на основании результатов прохождения десятков тысяч игр на фреймворке против более старой «эталонной» версии программы с использованием последовательного тестирования отношения вероятностей . Тесты на платформе проверяются с помощью теста хи-квадрат , и только в том случае, если результаты статистически значимы, они считаются надежными и используются для корректировки программного кода.

По состоянию на июнь 2018 года фреймворк использовал в общей сложности более 1200 лет процессорного времени, чтобы сыграть более 840 миллионов шахматных партий. После создания Fishtest всего за 12 месяцев Stockfish испытала взрывной рост на 120 баллов Эло , подняв его на вершину всех основных рейтинговых списков. В Stockfish 7 автор Fishtest Гэри Линскотт был добавлен в официальный список авторов в знак признания его вклада в силу Stockfish.

Развернуть для просмотра

Я выпустил новый двоичный набор «stockfish-nnue-2020-05-30» для подготовки данных обучения и подготовки.
Пожалуйста, получите это, прежде чем пытаться ниже.
Обучение в Stockfish + NNUE состоит из двух этапов: «фаза генерации обучающих данных» и «фаза обучения».
На этапе создания обучающих данных мы создадим обучающие данные с помощью команды «gensfen».
На первой итерации мы создадим обучающие данные с оригинальной функцией оценки Stockfish.
Это можно сделать с помощью «stockfish.nnue-gen-sfen-from-original-eval.exe» в «stockfish-nnue-2020-05-30».
Команда будет такой:
setoption name Hash value 32768 <- Это значение должно быть меньше, чем общий объем памяти вашего ПК.
setoption name Значение потока 8 <- Это значение должно быть равно или меньше количества логических ядер ЦП вашего ПК.
петля глубины 8 gensfen 10000000 output_file_name trainingdata \ генерируется_kifu.bin
Перед созданием обучающих данных, пожалуйста, создайте папку для обучающих данных.
В приведенной выше команде имя папки — «trainingdata».
Генерация данных обучения занимает много времени. Пожалуйста, будьте терпеливы.
Подробные параметры команды «gensfen» см. По адресу learn / learnner.cpp. <- в исходном коде (src \ learn \ Learner.cpp).
Нам также нужны данные проверки, чтобы мы могли оценить, насколько хорошо идет обучение.
Команда будет такой:
имя setoption Хэш-значение 32768
имя ветки Значение темы 8
Глубина gensfen, 8 циклов 1000000 выходных_файлов_данных проверкиданных_данных_ генерируемых_kifu.bin
Перед созданием данных проверки создайте папку для данных проверки.
В приведенной выше команде имя папки «validationdata».
На этапе обучения мы будем тренировать функцию оценки NN с помощью команды «learn». Пожалуйста, используйте «stockfish.nnue-learn-use-blas.k-p_256x2-32-32.exe» для команды «learn».
На первой итерации нам нужно инициализировать параметры NN случайными значениями и учиться на данных обучения.
Установка опции SkipLoadingEval инициализирует NN со случайными параметрами. Команда будет такой:
имя выборки SkipLoadingEval значение true
имя ветки Значение темы 8
Изучите targettdir цикл 100 обучающих данных batchsize 1000000 eta 1.0 lambda 0.5 eval_limit 32000 nn_batch_size 1000 newbob_decay 0.5 eval_save_interval 10000000 loss_output_interval 1000000 mirror_percentage 50 validation_set_file_name validationdata \ генерируется_kifu.bin
Пожалуйста, убедитесь, что «test_cross_entropy» в сообщениях о прогрессе будет уменьшен.
Если оно не уменьшится, тренировка провалится. В этом случае, пожалуйста, настройте «eta», «nn_batch_size» или другие параметры.
Если test_cross_entropy достаточно уменьшается, обучение будет завершено.
Если вы хотите сохранить обученные файлы параметров NN в определенную папку, установите опцию «EvalSaveDir».
Мы могли бы повторять «фазу генерации обучающих данных» и «фазу обучения» снова и снова с выходными функциями оценки NN в предыдущей итерации.
Это своего рода подкрепление обучения.
После первой итерации используйте «stockfish.nnue-learn-use-blas.k-p_256x2-32-32.exe» для генерации обучающих данных, чтобы мы использовали выходные NN-параметры на предыдущей итерации.
Также, пожалуйста, установите «SkipLoadingEval» в false на этапе обучения, чтобы тренер загружал параметры NN в предыдущей итерации.
Мы также могли бы изменить архитектуру сети.
Сетевое архитектурное будущее в «stockfish-nnue-2020-05-30» — «k-p_256x2-32-32».
«КП» означает функцию ввода.
«k» означает «король», закодированную позицию короля в один выстрел.
«p» означает «мир», закодированную позицию и тип пьесы, отличную от короля.
«256×2-32-32» означает количество каналов в каждом скрытом слое.
Количество каналов в первом скрытом слое равно «256×2».
Количество каналов во втором и третьем — «32».
Стандартная сетевая архитектура в компьютерных сёги — «halfkp_256x2-32-32».
«halfkp» означает прямое произведение «k» и «p» для каждого цвета.
Если мы используем «halfkp_256x2-32-32», нам может потребоваться больше обучающих данных, потому что число сетевых параметров намного больше, чем «k-p_256x2-32-32».
Нам может понадобиться 300 000 000 данных для каждой итерации.


Учредители и сопровождающие
Имя автора Роль GitHub ID
Марко Костальба Основатель проекта Макостальба
Джуна Кийски Основатель проекта Замар
Гэри Линскотт Основатель и разработчик Fishtest Glinscott
Торд Ромстад Автор Glaurung Romstad
Стефан Николе Сопровождающий с 2016 г. сниколет
Стефан Гешвентнер Сопровождающий с сентября 2018 г. locutus2
Йост Ванде Вонделе Сопровождающий с января 2020 г. вонделе
Участники проекта Stockfish
Имя автора GitHub ID
Адитья абсимальные данные
Адриан Петреску Apetresc
Аджит Чанди Хосе ajithcj
Ален Савар Скалистый640
Алайян Фе Алаян-СТК-2
Александр Куре
Александр Пагель Lolligerhans
Али АльЖрани Коффи
Эндрю Грант ЭндиГрант
Андрей Непорада Непал
Энди Дюплен
Арам Туманян атуманский
Арджун Темурникар
Огюст Поп
Балинт Пфлигель
Бен Коши BKSpurgeon
Билл Генри VoyagerOne
Боджун Го noobpwnftw, Нуби
Неизвестно Braich
Брайан Шеппард СапфирБренд, брианшеппард-тост
Брайан Кросс Crossbr
Неизвестно Candirufish
Неизвестно Шахматы13234
Крис Кейн Ceebo
Дэн Шмидт Dfannius
Дэниел Экстенс Daxtens
Даниэль Дугович Ддугович
Дариуш Оржеховски
Давид Зар
Дайлен Ян Daylen
Неизвестно DiscanX
Неизвестно двойной звуковой сигнал
Эдуардо Касерес Эдугерминио
Элко де Гроот KingDefender
Эльвин Лю солнечный свет2
Неизвестно Erbsenzaehler
Эрнесто Гатти
Линьмяо Сюй Линрок
Фабиан Бёке безумная ночь
Фабиан Фихтер ianfab
Неизвестно фанон
Фаузи Акрам Дабат ФаузиАкрам
Феликс Виттманн
Неизвестно гамандр
Гэри Хекман гекман
Неизвестно ггуляш
Джан-Карло Паскутто gcp
Гонтран Лемер гонлем
Гудков Василий Александрович Goodkov
Грегор Крамер
Неизвестно GuardianRM
Гюнтер Деметц pb00067, pb00068
Гай Вреулс Gvreuls
Анри Вихерс
Хираока Такуя ХираокаТакуя
Неизвестно homoSapiensSapiens
Хунчжи Чэн
Иван Ивец IIvec
Жак Б. Тимшель
Ян Ондруш hxim
Джаред Киш Куртбуш
Джаррод Торриеро DU-jdto
Жан Готье OuaisBla
Жан-Франсуа Романг джроманг
Неизвестно Jekaa
Джерри Дональд Ватсон Джерридональд Уотсон
Джонатан Каловски Миссено
Джонатан Дюмале SFisGOD
Йорг Остер Joergoster
Джозеф Эллис jhellis3
Джозеф Р. Простко
Неизвестно jundery
Джастин Бланшар Кокосовый орех
Келли Уилсон
Кен Такусагава
Неизвестно детский шоколад
Киран Пандитрао Krgp
Неизвестно Кожирион
Леонардо Любичич
Леонид Печеник lp—
Линус Арвер listx
Неизвестно локомотив
Люб ван ден Берг ElbertoOne
Лука Бривио Лукабривио
Лукас Браш Лукасарт
Людмил Антонов лантонов
Мацей Женчиковски Зенчиковский
Малькольм Кэмпбелл xoto10
Марк Тензер 31 мин. 059 г.
Неизвестно Marotear
Мэтью Лай Matthewlai
Мэтью Салливан Матовый14916
Майкл Ан мужчина
Майкл Бирн МайклB7
Михаил Чалый Визвезденец
Майкл Стембера мстембера
Майкл Уайтли протонная пружина
Мишель Ван ден Берг Vdbergh
Мигель Лахос Мигель-л
Микаэль Бекман mbootsector
Неизвестно Мира
Мирослав Фонтан Hexik
Моэз Джеллули MJZ1977
Мохаммед Ли tthsqe12
Натан Рагг nmrugg
Ник Пеллинг никпеллинг
Никлас Перссон Никлас Перссон
Никлас Фиекас Никлас
Николай Костов НиколайIT
Нгуен Фам
Ондрей Мосначек WOnder93
Оскар Веркелин Ахлин
Пабло Васкес
Неизвестно Панте
Паскаль Ромаре
Паскуале Пигаццини ppigazzini
Патрик Янсен Mibere
Неизвестно пелланда
Петр Зифковиц CoffeeOne
Правин Кумар Туммала Praveentml
Рахул Дсилва серебристый1
Ральф Штёссер (Ralph Stoesser)
Рэминдер Сингх
Неизвестно Renouve
Реувен Пелег
Ричард Ллойд
Родриго Экстеркёттер Тьедер
Рон Бритвич Бритвич
Рональд де Ман syzygy1, сизигия
Райан Шмитт
Райан Таккер
Сами Киминки скиминки
Себастьян Бухвальд UniQP
Сергей Антонов сапрой
Сергей Иванов svivanov72
Неизвестно SF-X
Шейн Бут Shane31
Стефано Карданобиль Стефано80
Стейнар Гандерсон sesse
Неизвестно Thanar2
Неизвестно Thaspel
Неизвестно theo77186
Том Траскотт
Том Вейлбриф томтор
Томаш Собчик Sopel97
Торстен Франц Торфранц, Тфранцер
Трейси Эмери basepr1me
Унаи Корсо уникальный
Ури Бласс уриблас
Винс Негри обниматься

Интересные факты

Любопытно, что шахматный движок stockfish создавался именно группой энтузиастов, которые не хотят делать его коммерческим проектом. Все основные создатели программы работают программистами, имеют высокий и стабильный заработок, а разработка движка – хобби.

Сравнивать стиль игры машины и человека абсолютно бесполезно, потому как программа – это составляющая с ограниченными возможностями, не выходящими за рамки алгоритма, чего нельзя сказать о человеке, который может генерировать что угодно в своей голове.

Несмотря на всю идеальность программы, профессиональные шахматисты знают, как они могут завести ее в тупик. Например, староиндийская заблокированная позиция выбивает Стокфиш из колеи полностью, парализуя его. Также движок плохо ориентируется в эндшпилях.

Каждый из создателей и участников проекта мог вносить такую лепту в проект, которая соответствовала его личным интересам. Таким образом, в коллективе создателей не было определенных ролей.

На сегодняшний день программа адаптирована для всевозможных устройств с системой с разным количеством бит, а также для смартфонов на платформах андроид и для айфонов.

Борьба между движком Комодо и Стокфиш продолжается, потому как две эти программы имеют одинаково высокий уровень.

Для желающих познакомиться с данной программой будет особенно интересен шахматный движок stockfish 7.

Особенности программы

Шахматный движок Stockfish – программа, которая традиционно занимает первые места в мировых рейтингах. Лишь недавно её удалось обогнать отличному движку Комодо. Однако, в настоящее время, борьба за первенство разгорается всё сильнее и сильнее и в будущем нас ждёт очень интересное противостояние программистов и их творений.

В программе предусмотрено использование специального протокола UCI.  Для того, чтобы движок корректно работал, следует установить на компьютере GUI, который поможет Стокфишу обрести доступный и простой интерфейс.

Программа умеет проводить анализ ходов, решение задач, этюдов, ну, и, конечно же, играть в шахматы.  Все желающие имеют возможность скачать для себя движок совершенно бесплатно. Программа доступна для всех известных операционных систем, которые пользуются популярностью.

Анализировать шахматные ходы – очень увлекательное занятие. В этом можно убедиться, если скачать шахматный движок стокфиш 7.

Развернуть для просмотра

1. d4 {book} d5 {book} 2. c4 {book} c6 {book} 3. e3 {book} Nf6 {book}
4. Nf3 {book} a6 {book} 5. Nc3 {book} b5 {book} 6. c5 {book} g6 {book}
7. Ne5 {book} Bg7 {book} 8. f4 {book} Bf5 {book} 9. g4 {+0.69/26 21s}
Be6 {-0.76/28 47s} 10. Bd3 {+0.88/26 47s} b4 {-0.50/27 23s}
11. Na4 {+1.20/23 7.9s} Ne4 {-0.56/27 21s} 12. O-O {+1.21/26 12s}
Bxe5 {-0.33/26 14s} 13. dxe5 {+0.72/31 31s} Rg8 {-0.49/30 30s}
14. Bd2 {+0.95/30 81s} h5 {0.00/27 13s} 15. g5 {+0.69/29 12s} a5 {0.00/30 13s}
16. a3 {+0.69/28 9.9s} bxa3 {0.00/26 13s} 17. Rxa3 {+1.18/28 14s}
Nxd2 {0.00/33 22s} 18. Qxd2 {+0.99/30 15s} Nd7 {+0.12/35 14s}
19. e4 {+0.45/31 45s} Rb8 {+0.09/35 14s} 20. Qe3 {+0.32/31 22s}
dxe4 {+0.37/28 22s} 21. Bxe4 {+0.37/30 10s} Qc7 {+0.44/27 14s}
22. Rfa1 {+0.68/30 10s} Kf8 {+1.26/28 18s} 23. Nc3 {0.00/31 32s}
Kg7 {+0.50/32 40s} 24. Rxa5 {0.00/30 12s} Rgd8 {+0.71/27 17s}
25. Ne2 {-0.13/32 22s} Rb3 {+0.29/33 70s} 26. Qc1 {0.00/32 12s}
Rb4 {+0.68/30 21s} 27. Ra7 {0.00/34 17s} Qb8 {+0.95/29 17s}
28. Ra8 {-0.38/32 35s} Rxe4 {+1.20/28 16s} 29. Rxb8 {-0.63/30 21s}
Rxb8 {+0.67/32 37s} 30. Qc2 {-0.72/31 57s} Rc4 {+1.37/28 12s}
31. Qd2 {-0.93/32 20s} Nxc5 {+1.93/30 19s} 32. Nd4 {-0.89/32 15s}
Rbb4 {+2.23/29 13s} 33. Nxe6+ {-0.89/35 13s} Nxe6 {+2.27/31 21s}
34. f5 {-0.94/36 16s} Rg4+ {+2.04/32 43s} 35. Kh1 {-0.81/37 11s}
Nxg5 {+2.32/34 17s} 36. f6+ {-0.81/39 13s} exf6 {+1.82/33 21s}
37. exf6+ {-0.89/36 14s} Kh7 {+1.85/35 13s} 38. Qe3 {-0.81/32 22s}
Rbe4 {+1.79/35 33s} 39. Qd3 {-0.80/37 13s} Re5 {+1.89/37 34s}
40. Rf1 {-1.07/32 20s} Ne4 {+2.11/36 9.8s} 41. Rf3 {-0.90/31 13s}
Rd5 {+2.62/28 12s} 42. Qe2 {-1.49/34 37s} Ng5 {+2.67/34 56s}
43. Rf1 {-1.61/30 21s} Re4 {+3.02/28 12s} 44. Qc2 {-1.47/29 19s}
c5 {+3.23/29 11s} 45. b3 {-2.23/36 67s} h4 {+3.37/29 12s}
46. Qc3 {-2.23/37 6.0s} Kh6 {+2.83/36 39s} 47. Rg1 {-2.23/32 21s}
Rf4 {+3.52/26 7.4s} 48. Qc1 {-2.24/34 5.2s} Rdf5 {+3.90/29 13s}
49. Qe3 {-2.12/36 7.2s} Rxf6 {+4.07/27 9.5s} 50. h3 {-3.04/36 89s}
Ne4 {+5.69/27 8.8s} 51. Kh2 {-3.40/30 18s} Nf2 {+6.02/28 9.6s}
52. Kg2 {-4.57/31 41s} Kg7 {+6.05/31 25s} 53. Rf1 {-5.04/32 27s}
R6f5 {+6.65/34 22s} 54. Qc3+ {-5.04/31 2.9s} Kh7 {+7.24/30 13s}
55. Qe3 {-6.00/35 23s} Nxh3 {+8.41/31 27s} 56. Rxf4 {-6.40/34 9.8s}
Nxf4+ {+8.74/26 5.8s} 57. Kh1 {-6.41/33 3.1s} g5 {+9.02/36 7.6s}
58. Qe4 {-6.41/29 7.3s} Kg6 {+9.24/33 10s} 59. Qc6+ {-6.41/28 4.2s}
Kh5 {+9.31/35 7.3s} 60. Qe4 {-6.52/36 13s} Kg4 {+9.89/32 17s}
61. Qb1 {-6.52/34 3.8s} Nh5 {+11.82/27 5.2s} 62. Qe4+ {-23.54/36 20s}
Rf4 {+13.77/26 7.9s} 63. Qe2+ {-59.85/43 7.4s} Rf3 {+14.88/28 11s}
64. Qe4+ {-63.12/36 9.3s} Nf4 {+15.06/28 7.8s} 65. Kh2 {-57.43/29 5.0s}
Rh3+ {+15.87/28 10s} 66. Kg1 {-60.77/1 0.001s} Rxb3 {+17.15/30 26s}
67. Qc2 {-12.87/22 2.0s} Rc3 {+17.60/29 9.0s} 68. Qd1+ {-55.50/26 7.2s}
Rf3 {+18.33/27 7.5s} 69. Kh2 {-61.14/34 10s} c4 {+19.23/27 5.3s}
70. Qg1+ {-63.78/33 4.5s} Kh5 {+19.86/27 4.8s}
71. Qa7 {-65.72/34 6.0s, Black wins by adjudication} 0-1

What to expect from Syzygybases?

If the engine is searching a position that is not in the tablebases (e.g.
a position with 8 pieces), it will access the tablebases during the search.
If the engine reports a very large score (typically 153.xx), this means
that it has found a winning line into a tablebase position.

If the engine is given a position to search that is in the tablebases, it
will use the tablebases at the beginning of the search to preselect all
good moves, i.e. all moves that preserve the win or preserve the draw while
taking into account the 50-move rule.
It will then perform a search only on those moves. The engine will not move
immediately, unless there is only a single good move. The engine likely
will not report a mate score even if the position is known to be won.

It is therefore clear that this behaviour is not identical to what one might
be used to with Nalimov tablebases. There are technical reasons for this
difference, the main technical reason being that Nalimov tablebases use the
DTM metric (distance-to-mate), while Syzygybases use a variation of the
DTZ metric (distance-to-zero, zero meaning any move that resets the 50-move
counter). This special metric is one of the reasons that Syzygybases are
more compact than Nalimov tablebases, while still storing all information
needed for optimal play and in addition being able to take into account
the 50-move rule.

Compiling Stockfish yourself from the sources

Stockfish has support for 32 or 64-bit CPUs, certain hardware
instructions, big-endian machines such as Power PC, and other platforms.

On Unix-like systems, it should be easy to compile Stockfish
directly from the source code with the included Makefile in the folder
. In general it is recommended to run to see a list of make
targets with corresponding descriptions.

When not using the Makefile to compile (for instance with Microsoft MSVC) you
need to manually set/unset some switches in the compiler command line; see
file types.h for a quick reference.

When reporting an issue or a bug, please tell us which version and
compiler you used to create your executable. These informations can
be found by typing the following commands in a console:

UCI options

Currently, Stockfish has the following UCI options:

  • The number of CPU threads used for searching a position. For best performance, set
    this equal to the number of CPU cores available.

  • The size of the hash table in MB. It is recommended to set Hash after setting Threads.

  • Let Stockfish ponder its next move while the opponent is thinking.

  • Output the N best lines (principal variations, PVs) when searching.
    Leave at 1 for best performance.

  • Toggle between the NNUE and classical evaluation functions. If set to «true»,
    the network parameters must be available to load from file (see also EvalFile),
    if they are not embedded in the binary.

  • The name of the file of the NNUE evaluation parameters. Depending on the GUI the
    filename might have to include the full path to the folder/directory that contains the file.
    Other locations, such as the directory that contains the binary and the working directory,
    are also searched.

  • An option handled by your GUI.

  • An option handled by your GUI. If true, Stockfish will play Chess960.

  • If enabled, show approximate WDL statistics as part of the engine output.
    These WDL numbers model expected game outcomes for a given evaluation and
    game ply for engine self-play at fishtest LTC conditions (60+0.6s per game).

  • Enable weaker play aiming for an Elo rating as set by UCI_Elo. This option overrides Skill Level.

  • If enabled by UCI_LimitStrength, aim for an engine strength of the given Elo.
    This Elo rating has been calibrated at a time control of 60s+0.6s and anchored to CCRL 40/4.

  • Lower the Skill Level in order to make Stockfish play weaker (see also UCI_LimitStrength).
    Internally, MultiPV is enabled, and with a certain probability depending on the Skill Level a
    weaker move will be played.

  • SyzygyPath

    Path to the folders/directories storing the Syzygy tablebase files. Multiple
    directories are to be separated by «;» on Windows and by «:» on Unix-based
    operating systems. Do not use spaces around the «;» or «:».


    It is recommended to store .rtbw files on an SSD. There is no loss in storing
    the .rtbz files on a regular HD. It is recommended to verify all md5 checksums
    of the downloaded tablebase files () as corruption will
    lead to engine crashes.

  • Minimum remaining search depth for which a position is probed. Set this option
    to a higher value to probe less agressively if you experience too much slowdown
    (in terms of nps) due to TB probing.

  • Disable to let fifty-move rule draws detected by Syzygy tablebase probes count
    as wins or losses. This is useful for ICCF correspondence games.

  • Limit Syzygy tablebase probing to positions with at most this many pieces left
    (including kings and pawns).

  • A positive value for contempt favors middle game positions and avoids draws,
    effective for the classical evaluation only.

  • By default, contempt is set to prefer the side to move. Set this option to «White»
    or «Black» to analyse with contempt for that side, or «Off» to disable contempt.

  • Assume a time delay of x ms due to network and GUI overheads. This is useful to
    avoid losses on time in those cases.

  • Lower values will make Stockfish take less time in games, higher values will
    make it think longer.

  • Tells the engine to use nodes searched instead of wall time to account for
    elapsed time. Useful for engine testing.

  • Clear the hash table.

Развернуть для просмотра

d=34 1.Rxf5(0:10:00) 833693kN
d=34 1.Rxf5(0:09:21) 779158kN
d=34 1.Rxf5(0:09:07) 759757kN
d=34 1.Rxf5(0:08:55) 742482kN
d=34 1.Rxf5(0:08:47) 731632kN
d=34 1.Rxf5(0:08:35) 716168kN
d=34 1.Rxf5(0:08:26) 703655kN
d=34 1.Rxf5(0:08:17) 690317kN
d=34 1.Rxf5(0:08:04) 672315kN
d=34 1.Kg2 Rd8(0:07:35) 632233kN
d=34 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Kh8 4.Bh5 b5 5.d5 exd5 6.Nd6 Bxd6 7.exd6 d4 8.Qc1 Nxd6 9.Qc5 Nc4 10.Rxf7 Qc8 11.Rf5 Nb2 12.Rd2 Na4 13.Qc2 Qe6 14.Bf7 Qd7 15.Qe4 Nc3 16.Qf4 Qd6 17.Qxd6 Rxd6 18.Rc5 Rf6 19.f3 Na4 20.Rxc6 Rxc6(0:07:10) 597718kN
d=34 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Kh8 4.Bh5 b5 5.d5 exd5 6.Nd6 Bxd6 7.exd6 d4 8.Qc1 Nxd6 9.Qc5 Nc4 10.Rxf7 Qc8 11.Rf5 Nb2 12.Rd2 Na4 13.Qc2 Qe6 14.Bf7 Qd7 15.Qe4 Nc3 16.Qf4 Qd6 17.Qxd6 Rxd6 18.Rc5 Rf6 19.f3 Na4 20.Rxc6 Rxc6 21.Rxd4(0:06:46) 563778kN
d=33 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Kh8 4.Bh5 b5 5.d5 exd5 6.Nd6 Bxd6 7.exd6 d4 8.Qc1 Nxd6 9.Qc5 Nc4 10.Rxf7 Qc8 11.Rf5 Nb2 12.Rd2 Na4 13.Qc2 Qe6 14.Bf7 Qd7 15.Qe4 Nc3 16.Qf4 Qd6 17.Qxd6 Rxd6 18.Rc5 Rf6 19.f3 Na4 20.Rxc6 Rxc6 21.Rxd4 g5(0:05:54) 493319kN
d=33 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Nfxd4 4.Nd6 Nf5 5.Qc2 Bxd6 6.exd6 Kg8 7.Bf3 Ne5 8.Rb4 b5 9.Qc7 Nxf3 10.Kxf3 e5 11.a4 Nd4 12.Rdxd4 exd4 13.Qxd7 Rxd7 14.axb5 axb5 15.Rxd4 b4 16.Ke4 b3 17.Rd2 b2 18.Rxb2(0:04:41) 391255kN
d=33 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Nfxd4 4.Nd6 Nf5 5.Qc2 Bxd6 6.exd6 Kg8 7.Bf3 Ne5 8.Rb4 b5 9.Qc7 Nxf3 10.Kxf3 e5 11.a4 Nd4 12.Rdxd4 exd4 13.Qxd7 Rxd7 14.axb5 axb5 15.Rxd4 b4 16.Ke4 b3 17.Rd2 b2 18.Rxb2 Rxd6(0:04:15) 356007kN
d=33 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Nfxd4 4.Nd6 Nf5 5.Qc2 Bxd6 6.exd6 Kg8 7.Bf3 Ne5 8.Rb4 b5 9.Qc7 Nxf3 10.Kxf3 e5 11.a4 Nd4 12.Rdxd4 exd4 13.Qxd7 Rxd7 14.axb5 axb5 15.Rxd4 b4 16.Ke4 b3 17.Rd2 b2 18.Rxb2 Rxd6 19.Ra2(0:03:55) 328276kN
d=33 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Nfxd4 4.Nd6 Nf5 5.Qc2 Bxd6 6.exd6 Kg8 7.Bf3 Ne5 8.Rb4 b5 9.Qc7 Nxf3 10.Kxf3 e5 11.a4 Nd4 12.Rdxd4 exd4 13.Qxd7 Rxd7 14.axb5 axb5 15.Rxd4 b4 16.Ke4 b3 17.Rd2 b2 18.Rxb2 Rxd6 19.Ra2 h5(0:03:31) 294783kN
d=33 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Nfxd4 4.Nd6 Nf5 5.Qc2 Bxd6 6.exd6 Kg8 7.Bf3 Ne5 8.Rb4 b5 9.Qc7 Nxf3 10.Kxf3 e5 11.a4 Nd4 12.Rdxd4 exd4 13.Qxd7 Rxd7 14.axb5 axb5 15.Rxd4 b4 16.Ke4 b3 17.Rd2 b2 18.Rxb2 Rxd6 19.Ra2 h5 20.Ra7(0:03:25) 287061kN
d=32 1.Kg2 cxd4 2.cxd4 Rd8 3.Rd1 Nfxd4 4.Nd6 Nf5 5.Qc2 Bxd6 6.exd6 Kg8 7.Bf3 Ne5 8.Rb4 b5 9.Qc7 Nxf3 10.Kxf3 e5 11.a4 Nd4 12.Rdxd4 exd4 13.Qxd7 Rxd7 14.axb5 axb5 15.Rxd4 b4 16.Ke4 b3 17.Rd2 b2 18.Rxb2 Rxd6 19.Ra2 h5 20.Ra7 g6(0:03:17) 275330kN
d=32 1.Kg2 Rd8 2.Rd1 cxd4 3.cxd4 Nfxd4 4.Nd6 Nf5 5.Qc2 Bxd6 6.exd6 Kg8 7.Bf3 Ne5 8.Rb4 Nxf3 9.Kxf3 e5 10.Qc7 b5 11.a4 Nd4 12.Rdxd4 exd4 13.Qxd7 Rxd7 14.axb5 axb5 15.Rxd4 b4 16.Ke4 b3 17.Kd3 h5 18.Kc3 h4 19.Rd3 b2(0:03:00) 251970kN

Оцените статью
Рейтинг автора
Материал подготовил
Андрей Измаилов
Наш эксперт
Написано статей
Добавить комментарий