解释可信度 · 26
会讲围棋的语言模型，是真的懂还是说得像懂
LoGos 把结构化围棋数据、长推理与强化学习混合，报告了职业级落子能力；但流畅解释仍可能包含无法由棋盘或引擎支持的原子断言。答案要逐条验，不靠整体文风。
先把落子能力与解释能力拆开
模型能给出强坐标，不代表它对厚薄、征子或先后手的每句解释都正确；反过来，术语流畅也不证明落子强。两项需要独立基准。
同一输出分成坐标轨与语言轨，分别评分。 结构化棋盘输入比纯文字更可靠
LoGos把围棋专业数据与通用长推理混合，并提供含规则处理的棋盘工具和KataGo-Bench。论文报告职业级表现，但结论应限制在其任务与评测设置。
纯坐标文本与显式棋盘状态进入不同验证路径。 概念存在于策略网络，不等于自动可说清
ACL 2022用一万盘人类注释探测policy network，发现ko、atari等高层概念在后层可被非平凡预测。表示中有signal，仍需要忠实的语言映射。
network内部concept probe与最终自然语言之间还有一层翻译。 把长讲解拆成原子断言
一句“这手攻击白棋并保持先手”至少含落点合法、攻击对象、应手强制性和后续价值四项。逐项路由到规则引擎、KataGo变化与专家概念库，才能定位幻觉。
一段流畅文字被拆成四张可验证claim卡。 借用工具增强评测而不是LLM自评
2026棋类讲解研究ACT-Eval显示，无工具的强模型仍有大量错误子断言，工具能提高事实正确性但专家概念覆盖仍有限。围棋应采用同样的claim-level审计。
整体高分被拆成factual correctness与concept coverage两条曲线。 用局部连续变化区分“有证据”和“只顺口”
在同一历史局面切换A、B，并逐手核对解释：如果一段说明提到的棋形、次序或作用只出现在A，却原样套到B，这个理由就没有被B的变化支持。胜率和目差能说明局部效率差，但不能替代对具体棋形的解释。
看第5、6手：A在中央连续落子，B跳到两个角；B若仍使用同一段中央战解释，理由就没有棋盘支持。 发布一份解释合同
最终输出列出合法性、候选排名、PV支持、规则条件、事实claim、教学类比与不确定性。语言模型负责组织，棋盘与工具负责约束，专家负责概念完整性。
解释合同让读者知道每句话由哪类证据担保。
模型、数据与评测
发布AI讲棋前
- 落子与解释分别评分
- 所有坐标先过规则引擎
- 长句拆成原子claim
- PV只支持它实际展示的内容
- 事实正确与概念覆盖分开