Lichess/chess-position-evaluations

132,053,332个国际象棋位置由Stockfish在不同深度和节点数下进行评估。该数据集由Lichess分析板生成，并在用户浏览器中运行各种版本的Stockfish。此版本的数据集是原始数据集的去规范化版本，包含364,167,935行。数据集每月更新，最后一次更新是在2024年12月3日。

132,053,332 chess positions evaluated with Stockfish at various depths and node count. Produced by, and for, the Lichess analysis board, running various flavours of Stockfish within user browsers. This version of the dataset is a de-normalized version of the original dataset and contains 364,167,935 rows. This dataset is updated monthly, and was last updated on December 3rd, 2024.

原始信息汇总

• 名称: Lichess/chess-position-evaluations
• 描述: 包含388,458,657个国际象棋棋局位置，这些位置由Stockfish引擎在不同深度和节点数下评估产生，用于Lichess分析面板。当前版本为反规范化后的数据集，包含944,957,425行数据。数据集每月更新，最近一次更新于2026年6月12日。
• 模态: 表格 (Tabular), 文本 (Text)
• 格式: parquet
• 大小: 100M - 1B (行数：944,957,425，总文件大小：41.4 GB)
• 许可证: cc0-1.0
• 标签: chess, stockfish, lichess, games
• 库: Datasets, Dask, Polars
• 子集: default (945M行)
• 数据拆分: train (945M行)
• 数据字段:
  • fen: 字符串，棋局位置FEN，包含棋子、行动方、王车易位权、过路兵格。
  • line: 字符串，主要变化，以UCI格式表示。
  • depth: 字符串，引擎达到的深度。
  • knodes: 整数，引擎搜索的千节点数。
  • cp: 整数，位置的厘兵评估值，若确定将杀则为None。
  • mate: 整数，位置的将杀评估值，若不确认为将杀则为None。
• 数据集预览示例: json { "fen": "2bq1rk1/pr3ppn/1p2p3/7P/2pP1B1P/2P5/PPQ2PB1/R3R1K1 w - -", "line": "g2e4 f7f5 e4b7 c8b7 f2f3 b7f3 e1e6 d8h4 c2h2 h4g4", "depth": 36, "knodes": 206765, "cp": 311, "mate": null }

搜集汇总

数据集介绍

构建方式

该数据集源于Lichess分析棋盘的实际应用场景，通过在用户浏览器中运行多种Stockfish引擎变体，对国际象棋局面进行深度与节点数各异的评估，从而生成海量评估数据。原始数据集经过反规范化处理，最终形成了包含944,957,425行记录的庞大集合，每行对应一个独特的棋盘位置评估。数据每月更新一次，确保其时效性与持续增长性。

使用方法

借助Hugging Face的datasets库，用户可便捷地加载该数据集：通过load_dataset函数指定数据集名称与分割（如训练集），即可高效访问全部评估记录。每一行数据可直接用于监督学习中的局面评估预测任务，或以FEN为输入、以cp/mate为目标构建模型。建议在加载时利用数据集的分块存储特性（data_*文件）进行分布式处理，以应对其超大规模。

背景与挑战

背景概述

该数据集由知名国际象棋在线平台Lichess于2022年首次发布，由Lichess团队联合社区贡献者共同创建，核心研究问题在于大规模存储并公开棋局中每一步的机器评估结果，以推动国际象棋AI、策略分析与棋力评估等相关研究。数据集包含3.88亿个对弈局面的Stockfish引擎评估数据，涵盖不同搜索深度与节点规模下的评估值，是迄今规模最大、来源最真实的棋局评估数据集之一。其对国际象棋AI的研究影响力极为深远，为棋力分析模型训练、残局策略研究以及棋步推荐系统提供了坚实的数据基础，并已在Lichess分析板中实现实际应用。

当前挑战

该数据集主要围绕两大挑战展开。首先，在领域问题层面，传统的棋局评估资源通常规模有限、来源单一，难以支撑深度神经网络模型对大范围棋势分布的学习，该数据集通过汇聚数百万真实对局的引擎评估，解决了棋势表示学习中的数据稀缺与多样性不足问题。其次，在构建过程中，数据采集面临实时计算资源约束，需在不同用户浏览器中运行多种Stockfish变体，并确保评估结果在异构环境下的一致性与准确性；此外，对每条棋局记录中多达9.4亿行的去冗余与标准化处理、FEN字段格式的统一以及深度与评估字段的语义对齐，均构成显著的数据清洗与整合挑战。

常用场景

经典使用场景

在国际象棋人工智能研究领域，权威的评估数据是模型训练与评测的基石。Chess-position-evaluations 数据集汇聚了近四亿个由 Stockfish 引擎深度评估的国际象棋局面，每个样本均包含棋盘 FEN 编码、引擎搜索深度、主变着法以及局面评分（CP 或 mate）。这一庞大规模与高质量标注使其成为训练局面评估神经网络、优化蒙特卡洛树搜索策略以及提升 AI 棋力水平的核心数据源。研究者常用该数据集训练从原始棋盘特征到评估分数的回归模型，或作为强化学习环境中奖励信号的真实对照基准。此外，该数据集的月度更新机制保证了数据与最新棋谱动态同步，对于开发实时分析引擎和在线教学工具有着不可替代的价值。

解决学术问题

长期以来，国际象棋 AI 研究面临的关键瓶颈在于缺乏大规模、标准化且经过高水平引擎验证的局面评估数据。该数据集的诞生有效破解了这一困境，使得学者能够系统性地研究局面特征与引擎评分之间的深层映射关系。它解决了模型在小样本或自对弈数据上训练时容易过拟合、泛化能力弱的问题，并为验证新架构（如注意力机制、图神经网络）在棋类任务中的有效性提供了可靠基准。更重要的是，通过提供不同搜索深度的评估结果，该数据集支持了对棋力退化和搜索效率之间权衡的量化分析，推动了更轻量级但高效棋类引擎的发展。其公开获取的特性促进了该领域研究的可复现性，催生了一系列关于局面理解、特征工程和迁移学习的学术探索。

实际应用

在实际应用中，该数据集直接服务于 Lichess 等国际象棋在线平台的后端分析引擎，通过预训练模型快速生成局面评价，从而减轻实时计算负荷并提供毫秒级的用户反馈。围棋、将棋等棋类游戏的研究者亦可借鉴其局面表征与评分策略，迁移应用到各自的棋类 AI 开发中。此外，数据驱动的方法还为国际象棋教育软件的智能化提供了可能，例如通过分析学生对局中的关键局面自动生成基于 Stockfish 评估的反馈建议，帮助业余玩家识别失误模式。在游戏解说、直播分析等场景中，基于该数据集训练的模型能够自动生成高质量的变着分析，增强观赛体验。同时，工程师可借助该数据集构建自动化棋谱审核系统，辅助裁判判断对局中是否存在违规使用引擎的现象。

数据集最近研究

最新研究方向

该数据集当前的研究前沿聚焦于利用大规模、高深度、多节点的棋局评估数据，推动国际象棋人工智能算法与引擎性能的优化。通过与Lichess分析平台及Stockfish引擎的深度耦合，超过3.88亿个棋盘位置的详细评估信息为强化学习、神经网络训练及棋局策略演化分析提供了珍贵资源。尤其是包含深度达到36层及数百万节点搜索的走法变化和评估分数，正加速推动着计算机棋类博弈模型在残局处理、局面预判与计算效率上的范式革新。这一大规模真实对局与引擎评估的结合，也成了研究引擎内部决策机制、解析复杂棋局动态演变的黄金数据支柱，对推进棋类AI向更精准与更具解释性的方向演进具有重要意义。