Zwei Anker, ein Punkt Unterschied: Coherent 0.1.61 bei 2570 ± 55

Projektmessung, nicht im Register. Jede Zahl stammt aus dem Verankerungsbericht vom 10. September 2026 und dem Handoff vom 9. September 2026. Keine Zahl stammt aus dem öffentlichen Datenvertrag.

Projektmessung, nicht im Register. Coherent 0.1.61 hat 1.038 Partien gegen 2 fremde Engines mit veröffentlichter Wertung gespielt, unter der Bedenkzeit, für die diese Wertungen gelten. Die beiden Anker liegen 98 Wertungspunkte auseinander. Die beiden Antworten, die sie geben, unterscheiden sich um einen Punkt.

Coherent 0.1.61 liegt bei rund 2570, verankert an Wertungen der öffentlichen CCRLCCRL Computer Chess Rating Lists, eine öffentliche Rangliste von Schach-Engines aus Partien unter Standardbedingungen.-Blitzliste, mit einem Band von ± 55.

Von den 2.192 dort gewerteten Engines stehen 1.447 darüber und 745 darunter.

Der größte Schritt, den dieses Projekt gemessen hat

Die Vorgängerfassung 0.1.58 war bei 2300 ± 60 verankert — 2 fremde Maßstäbe, die 2 verschiedene Antworten gaben. Der Sprung beträgt damit rund +270 Punkte und ist mit Abstand der größte gemessene Einzelschritt dieses Projekts. Verantwortlich ist eine einzige Änderung: Die handgeschriebene Stellungsbewertung wurde durch NNUENNUE Effizient aktualisierbares neuronales Netz: ein kleines Netz, das Stellungen bewertet und Zug für Zug inkrementell aktualisiert wird.-Inferenz ersetzt, Generation 3.

Bemerkenswert ist nicht die Größe des Sprungs, sondern dass er ungeschmälert ankommt. Intern hatte die neue Bewertung gegen den eigenen Vorgänger +247,0 ± 9,5 und +252,5 ± 13,1 gemessen, bei fester Partienzahl und ohne Frühstopp, dazu +16,22 ± 8,31 für eine Suchänderung, IIR an Nicht-PVPV Hauptvariante: die Zugfolge, die die Suche derzeit für die beste hält.-Knoten. Zusammen rund +265. Extern bleibt der volle Betrag übrig. Interne Gewinne schrumpfen erfahrungsgemäß, sobald ein Programm auf fremde Gegner trifft. Hier nicht.

Die Vorhersage stand vorher fest

Die Sondierung am Anfang dieser Messreihe war ein Test und keine nachträgliche Deutung, weil 2 Hypothesen samt erwarteter Punktraten aufgeschrieben waren, bevor die Partien vorlagen. Die Zeitmarke lautet 07:38 UTC am 8. September 2026; zu diesem Zeitpunkt waren 4 von 120 Partien der Sondierung beendet.

• H1 — die beiden Skalen bilden 1:1 aufeinander ab. Dann sind 2300 + 16 + 250 rund 2566.
• H2 — unsere eigene Skala ist um den Faktor 3,1 gestreckt. Dann sind 2300 + 5 + 81 rund 2386.

Der Faktor 3,1 war nicht für den Anlass erfunden. Zwischen 2 früheren Ankern, Blunder 7.1.0 und Drofa 2.0.0, hatten wir 109,6 ± 30,1 Punkte gemessen, wo die Liste 32 sagt — 5,05 σ aus 442 Partien. Wäre dieses Verhältnis eine Eigenschaft unserer Bedingungen und nicht dieser beiden Engines, dann stünde jede aus fremden Wertungen abgeleitete Zahl zu hoch, auch die veröffentlichten 2300 ± 60.

Die beiden Hypothesen sagen Punktraten voraus, die weit genug auseinanderliegen, dass 24 Partien je Anker sie trennen:

Die eigene Erwartung des Messagenten stand in derselben Datei: ein Wert dazwischen, näher an H2, mit 3 Begründungen. Der Faktor stamme aus einem einzigen Enginepaar, von dem eine Engine abstürzt; ein Teil der Streckung komme aus der Remisquote und hänge damit an Buch und Bedenkzeit; und die internen +250 seien auf Büchern gemessen worden, die Unterschiede bewusst verstärken, was in dieselbe Richtung wirke. Alle 3 Begründungen waren falsch. H1 traf über alle 5 Anker, und die schlichte Rechnung, die der Messagent selbst als naiv bezeichnet hatte, lag 5 Punkte neben dem Ergebnis.

Genau dafür schreibt man Vorhersagen vorher auf. Die Zahl ist nicht deshalb glaubwürdig, weil sie gefällt, sondern weil sie vorher feststand und gegen die Erwartung des Messenden ausfiel.

5 Anker, je 24 Partien

Die Sondierung spielte gegen 5 fremde Engines, verteilt über eine Leiter von 293 Wertungspunkten, je 24 Partien. Aus jeder Punktrate folgt ein Wert für Coherent, und diese 5 Werte sind voneinander unabhängig abgeleitet:

5 unabhängig abgeleitete Werte streuen 76 Punkte über eine Ankerleiter von 293. Bei 24 Partien je Anker sind das grobe Zahlen, aber sie passen zusammen, und diese Übereinstimmung über einen so weiten Bereich ist der erste Beleg dafür, dass die beiden Skalen hier zusammenpassen.

2 lange Läufe, ein Punkt Unterschied

Danach folgten 2 Verankerungen mit genug Partien, um zu tragen:

Der Lauf gegen Leorik 2.1 besteht aus 219 Farbtauschpaaren: 169 Siege, 102 Remis, 167 Niederlagen. Die beiden Anker liegen 98 Wertungspunkte auseinander und liefern Zahlen, die sich um 1 Punkt unterscheiden, z = 0,04. Gewichtet gemittelt ergibt das 2570,6 mit einer statistischen Halbbreite von ± 22. In allen 1.038 Partien gab es 0 Zeitüberschreitungen.

Was diese Übereinstimmung wert ist, sieht man am Gegenbeispiel aus demselben Projekt: Bei 0.1.58 widersprachen sich die beiden Anker um 54 Punkte, und aus einem rechnerisch schönen 2303 ± 23 musste ein ehrliches 2300 ± 60 werden. Zwei einige Anker sind keine Formsache, sondern die Prüfung, die hätte schiefgehen können und nicht schiefgegangen ist.

Der Leorik-Lauf endete bei 438 statt 600 Partien, weil der Wirt der Messmaschine neu startete und das Gastsystem mitnahm. Das verzerrt nicht. Ein Abbruch verzerrt nur, wenn die Entscheidung abzubrechen vom Zwischenstand abhängt; diese hing am Wirt, und der weiß nichts über Schach. Die Regel lohnt sich allgemein: Gefährlich ist nicht der Abbruch, gefährlich ist der Abbruch, der vorher auf den Zwischenstand sieht.

Warum ± 55 und nicht ± 22

Die ± 22 sind der Fehler aus den Partien. Sie sind nicht die ganze Unsicherheit, und das haben wir in derselben Messreihe selbst herausgefunden.

Die 5 Anker haben ein Rundenturnier untereinander gespielt — 10 Paarungen, je 60 Partien, 600 Partien insgesamt, ohne Coherent. Es beantwortet die Frage, die jede Verankerung stillschweigend voraussetzt: Wie gut überträgt sich eine veröffentlichte Wertung auf fremde Bedingungen?

Eine einzelne veröffentlichte Wertung kann unter fremden Bedingungen um Dutzende Punkte danebenliegen. Die Streuung dieser Abweichungen beträgt rund 37 Punkte, nachdem das Messrauschen des Rundenturniers herausgerechnet ist. Mittelt man 2 Anker, bleiben davon ± 51 auf dem 95-%-Niveau. Zusammen mit den ± 22 aus den Partien ergibt das ± 55.

Das ist breiter als das ± 35, das wir zwei Tage lang genannt haben. Es ist keine schlechtere Angabe, sondern eine ehrlichere: Wir wussten vorher nicht, wie verlässlich ein einzelner fremder Anker ist, und haben es dann gemessen.

Ist Spielstärke überhaupt eine Zahl?

Das Rundenturnier klärt noch eine Frage, die vor jeder Wertung steht: ob sich dieses Feld überhaupt mit einer Zahl je Engine beschreiben lässt. Stilunterschiede können echte Nichttransitivität erzeugen, bei der A gegen B, B gegen C und C gegen A vorn liegt; dann gibt es keine Leiter, an die sich etwas hängen ließe. Der Auswerteplan verlangte, das zuerst zu prüfen, vor jeder Steigung — eine Steigung zu melden, die es gar nicht gibt, wäre der schlimmere Fehler.

Ein eindimensionales Modell passt: Chi-Quadrat 9,42 bei 6 Freiheitsgraden, also 1,57 je Freiheitsgrad. Echte Nichttransitivität findet sich nicht. Das war vorher nicht klar.

Danach die Steigung unserer gemessenen Wertungen gegen die gelisteten. Über alle 5 Anker ergab sie 0,769 ± 0,071, also 3,25 σ unter 1 — dem Anschein nach eine Stauchung um 23 % und damit die Gegenrichtung zu der Streckung, die H2 vermutet hatte. Die Auslassprobe kippt diesen Befund:

Ohne 4ku 2.0 ist die Steigung mit 1 verträglich, und die Anpassung wird ausgezeichnet. Alle 5 Auslassergebnisse stehen hier, nicht nur das genehme.

Die scheinbare Stauchung hängt also vollständig an einer einzigen Engine. Ein echter Bedingungseffekt könnte das nicht: Er träfe alle Paarungen gleichmäßig und säße in der Steigung, nicht im Rest einer Engine. Diese Unterscheidung stand vorab im Plan, und nur deshalb lässt sie sich jetzt verwenden.

Zwei Dinge folgen daraus, die man auseinanderhalten sollte. Die Skala als Ganzes trägt: Eine veröffentlichte Wertung ist eine gute Auskunft über die Skala. Die einzelne Engine trägt nicht immer: Über dieses eine Programm ist dieselbe Wertung eine unsichere Auskunft. Dazu ein Glücksfall, nachträglich belegt — Leorik 2.1, der Anker, an dem Coherents Zahl hängt, hat mit +16 den kleinsten Rest von allen fünf.

Wie gemessen wurde

Die gemessene Fassung ist Commit b4ad0521, gebaut mit den Schaltern des Projekt-Makefiles. Ihre Identität ist belegt und nicht bloß angenommen: bench liefert 3406 Knoten, identisch mit dem, was die unabhängigen Prüfstände am selben Commit melden — auf anderem Compiler und anderer Maschine.

Beide Anker sind die offiziellen Binärdateien ihrer Autoren, keine eigenen Bauten. Das ist keine Bequemlichkeit. Unter den verworfenen Kandidaten war einer, dessen einziger Bauweg im veröffentlichten Tag eine Fehlersuch-Fassung mit Adressprüfer war. Sie hätte sauber gebaut, sich ordnungsgemäß als Engine gemeldet und wäre als Anker mit ihrer veröffentlichten Wertung durchgegangen — bei einem Bruchteil der Spielstärke. Coherent hätte glänzend ausgesehen. Daraus folgt die Regel: Anker nie selbst bauen, wenn der Autor eine Binärdatei ausliefert.

Alle hier verwendeten Wertungen haben wir am 9. September 2026 selbst in der Liste nachgeschlagen, nicht aus einer Zusammenfassung übernommen.

Was offen bleibt

Alles stammt von einem Eröffnungsbuch. Die 5 übereinstimmenden Werte zeigen, dass dieses Buch bei 2+1 auf die Bedingungen der Liste abbildet. Sie zeigen nicht, dass die Skala als solche buchunabhängig ist. Der Orchestrator hat dasselbe Duell mit engem und mit breitem Buch gemessen und +10,3 gegen +28,6 EloElo Stärkeabstand zum Gegner, aus den Partien geschätzt, mit 95-Prozent-Halbbreite, wo das Orakel eine berichtet hat. Nie eine absolute Wertung. erhalten, bei sonst identischem Aufbau — Faktor 2,79. Die Deutung, an der wir festhalten: Das Buch wirkt auf die Auflösung kleiner Unterschiede, nicht auf die Einheit der Achse, und bei Abständen von 100 bis 300 Punkten überwiegt der echte Stärkeunterschied. Diese Deutung ist plausibel, und sie ist nicht bewiesen.

Ein Befund ist ungeprüft geblieben. Zwischen Blunder 7.1.0 und Drofa 2.0.0 haben wir 109,6 ± 30,1 Punkte gemessen, wo die Liste 32 sagt, aus 442 Partien, 5,05 σ. Keine dieser beiden Engines spielt im Rundenturnier mit; das Rundenturnier kann also nicht entscheiden, ob das die Skala war oder ob es Blunder war. Der Versuch, der die Frage schließen würde, liegt vorregistriert bereit: 2 Brücken, über Chal 1.3.2 und über Leorik 2.1, je 200 Partien, 2 Brücken statt einer, damit eine selbst danebenliegende Brückenengine auffällt, statt alles unsichtbar mitzuverschieben. Die Behandlung der Abbruchpartien steht vorher fest — Abstürze als Niederlage gewertet und Abstürze ausgeschlossen, beide Zeilen berichtet, mit dem Satz, welche Frage jede Zeile beantwortet. Ergeben beide Zeilen denselben Rest, ist Instabilität nicht die Erklärung, und dann liegt die Liste über Blunders Spielstärke selbst daneben. Dieser Lauf wurde auf Weisung des Betreibers nicht mehr gestartet.

Engine-Wertungen sind keine FIDE-Zahlen. 2570 heißt hier nicht Großmeisterstärke. Es sind verschiedene Populationen, und Engines spielen untereinander.

IMSIMS Intern gemessene Stärke: 2200 plus der Elo-Abstand gegen eine eingefrorene eigene Bezugskonfiguration. Ein Fortschrittsmaß zwischen eigenen Fassungen, keine Wertung aus einer Rangliste. bleibt, was es war. Die interne Skala misst gegen eine eingefrorene eigene Bezugskonfiguration und bleibt ein Maß für Fortschritt zwischen eigenen Fassungen, mehr nicht.

Wann wieder gemessen wird

Eine neue externe Verankerung lohnt erst, wenn der aufgelaufene interne Gewinn die Messbreite übersteigt, also rund 50 Elo. Einzelne Suchkonstanten mit +10 bis +15 verschwinden im Band; sie von außen zu messen ergäbe Zahlen ohne Information. Die nächste Verankerung wartet, bis ein Schritt zusammengekommen ist, den ein fremder Maßstab sehen kann.

Die Engines Chal 1.3.2, Leorik 2.1, Lynx 1.3.0, 4ku 2.0, Inanis 1.1.0, Blunder 7.1.0 und Drofa 2.0.0 werden mit Wortmarke und Version genannt, weil die Messbedingungen es erfordern; eine Verbindung zu ihren Autoren oder eine Befürwortung durch sie besteht nicht.