This study investigates the capabilities of transformer-based models in chess move generation and gameplay when trained solely on human game notations. Three GPT-2 architectures (two trained on unfiltered games and one on high-Elo games (>1800)) were evaluated for legal move accuracy and playing strength. The models achieved a 99.5–99.65% legal move rate and demonstrated intermediate playing strength (1400–1500 Elo) against Stockfish levels 0–2, despite lacking hardcoded chess rules or search algorithms. The filtered model showed marginal improvement, suggesting dataset quality impacts performance. These results highlight the promise of pure pattern recognition in constrained domains while underscoring its limitations in achieving expert-level play without symbolic reasoning.

Denna studie undersöker transformerbaserade modellers förmåga att generera schackdrag och spela schack när de tränas enbart på mänskliga schacknotationer. Tre GPT-2-arkitekturer (två tränade på ofiltrerade partier och en på partier med hög Elo (>1800)) utvärderades med avseende på giltiga drag och spelstyrka. Modellerna uppnådde en giltighetsgrad på 99,5–99,65% och visade en medelhög spelstyrka (1400–1500 Elo) mot Stockfish nivå 0–2, trots att de saknade hårdkodade schackregler eller sökalgoritmer. Den filtrerade modellen uppvisade marginella förbättringar, vilket tyder på att datamängdens kvalitet påverkar prestationen. Resultaten belyser både potentialen hos ren mönsterigenkänning i begränsade domäner och dess begränsningar i att uppnå expertnivå utan symbolisk resonemangsförmåga.