It never sees a board. It does not know that pieces, squares or a king exist. It receives a sequence of moves in UCI notation and predicts the next one, exactly the way a language model predicts the next word.

"Pawns are the soul of chess." François-André Danican Philidor, 1749

Result

97.86 % of the moves it proposes are legal, in free generation, with no constraint whatsoever. 95 % confidence interval: [97.65 – 98.05], measured on 20,000 positions from held-out games.

No rule was ever hard-coded. The model inferred the mechanics of the game from 790 million moves played by humans.

Usage

python

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("billygeekourson/philidor-51m")
model = AutoModelForCausalLM.from_pretrained("billygeekourson/philidor-51m")

ids = tok("e2e4 e7e5 g1f3 b8c6", return_tensors="pt").input_ids
out = model.generate(ids, max_new_tokens=20, do_sample=True,
                     temperature=0.6, top_k=20, pad_token_id=0)
print(tok.decode(out[0], skip_special_tokens=True))

Moves are written in UCI, separated by spaces. One move is exactly one token, so an 80-ply game takes 80 tokens.

Playing without ever producing an illegal move

The bundled vocab_uci.json lets you mask impossible moves before choosing. A single forward pass is enough, and the model keeps its preference ordering among the playable moves.

python

import json, torch, chess
from huggingface_hub import hf_hub_download

v = json.load(open(hf_hub_download("billygeekourson/philidor-51m",
                                   "vocab_uci.json")))
board = chess.Board()
board.push_uci("e2e4"); board.push_uci("c7c5")

logits = model(tok("e2e4 c7c5", return_tensors="pt").input_ids).logits[0, -1]
mask = torch.full_like(logits, float("-inf"))
for move in board.legal_moves:
    i = v["stoi"][move.uci()]
    mask[i] = logits[i]

print(v["itos"][int(mask.argmax())])   # g1f3

Architecture

Decoder-only Transformer: 16 layers, width 512, 8 attention heads, hidden MLP 1408. Pre-norm, RMSNorm, RoPE, SwiGLU, tied embeddings. Context of 256 moves, i.e. a whole game.

51,397,120 non-embedding parameters (52,406,272 total).

The architecture happens to match Llama exactly, which was not planned: the four building blocks were each chosen on their own merits. The model therefore loads as a standard LlamaForCausalLM, and the conversion was verified with a maximum logit difference of 0.00e+00 at every sequence length.

Vocabulary

1,971 tokens: the 1,968 geometrically possible UCI moves on a chessboard, plus <pad>, <bos> and <eos>.

No BPE. The vocabulary is finite and known in advance, which makes legality masking possible and spares the model from relearning that e2 and e4 form a single unit.

Data

One month of public Lichess archives, July 2026.


Games read	89,288,421
Games kept	11,035,777 (12.4 %)
Training tokens	803,780,147

Filtering: both players between 1800 and 2600 Elo, bullet excluded, normal termination, between 20 and 300 plies. The validation split is done per game, never per token, so that no game is cut between the two sets.

Training

A single RTX 3090. 2 hours, 16,300 steps, one full epoch. bf16, AdamW, cosine schedule with warmup, effective batch of 49,152 tokens. Measured MFU: 64 %.

Final loss: 1.6024 training, 1.6434 validation. Both curves stay superimposed, so no overfitting.

What the model knows

Metric	Value
Legal moves in free generation	97.86 %
Agreement with the human move, top-1	51.42 %
Agreement with the human move, top-5	88.72 %
Castling	100.00 %
En passant	100.00 %
Promotion	98.60 %
Getting out of check	96.60 %

All measurements are on held-out validation positions, at temperature 1.0 for legality and on the argmax for the rest.

Known limitations

No board representation. The model only understands a sequence of moves from the initial position. It cannot resume from an arbitrary FEN position.

About two moves in a hundred are illegal without masking. For actual play, masking is essential.

Modest playing strength. On par with Stockfish capped at skill level 0, it drops off at level 1. This is a search-free model: it plays the most probable move after a single forward pass, with no lookahead.

It plays endgames less well than openings. Positions with few pieces offer less statistical regularity to exploit.

Related model

philidor-142m: same method, 142 M parameters, four months of data, twenty hours of training, 98.85 % legal moves. In a 400-game head-to-head it beats this model 305 to 32, a 290 Elo gap.

The interesting part: at equal data volume, tripling the model size barely changes legality, but gains two to three points of agreement with the human move. What drives playing strength is the amount of data, not model size.

License

MIT for the model. Data comes from the public Lichess archives, released under CC0.

Philidor 51M (français)

Un modèle de langage entraîné de zéro à jouer aux échecs, sans qu'aucune règle du jeu ne lui ait jamais été donnée.

Il ne voit pas d'échiquier. Il ne sait pas qu'il existe des pièces, des cases, un roi. Il reçoit une suite de coups en notation UCI et prédit le suivant, exactement comme un modèle de langage prédit le mot suivant.

« Les pions sont l'âme des échecs. » François-André Danican Philidor, 1749

Le résultat

97,86 % des coups qu'il propose sont légaux, en génération libre, sans aucune contrainte. Intervalle de confiance à 95 % : [97,65 – 98,05], mesuré sur 20 000 positions issues de parties de validation jamais vues.

Aucune règle n'a été codée. Le modèle a déduit la mécanique du jeu de 790 millions de coups joués par des humains.

Utilisation

python

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("billygeekourson/philidor-51m")
model = AutoModelForCausalLM.from_pretrained("billygeekourson/philidor-51m")

ids = tok("e2e4 e7e5 g1f3 b8c6", return_tensors="pt").input_ids
out = model.generate(ids, max_new_tokens=20, do_sample=True,
                     temperature=0.6, top_k=20, pad_token_id=0)
print(tok.decode(out[0], skip_special_tokens=True))

Les coups s'écrivent en UCI, séparés par des espaces. Un coup vaut exactement un token, donc une partie de 80 demi-coups occupe 80 tokens.

Jouer sans jamais produire de coup illégal

Le fichier vocab_uci.json permet de masquer les coups impossibles avant de choisir. Un seul passage avant suffit, et le modèle conserve son ordre de préférence entre les coups jouables.

python

import json, torch, chess

v = json.load(open("vocab_uci.json"))
board = chess.Board()
board.push_uci("e2e4"); board.push_uci("c7c5")

logits = model(tok("e2e4 c7c5", return_tensors="pt").input_ids).logits[0, -1]
masque = torch.full_like(logits, float("-inf"))
for coup in board.legal_moves:
    i = v["stoi"][coup.uci()]
    masque[i] = logits[i]

print(v["itos"][int(masque.argmax())])   # g1f3

Architecture

Transformer décodeur : 16 couches, dimension 512, 8 têtes d'attention, MLP caché 1408. Pre-norm, RMSNorm, RoPE, SwiGLU, embeddings liés. Contexte de 256 coups, soit une partie entière.

51 397 120 paramètres hors embeddings (52 406 272 au total).

L'architecture correspond exactement à celle de Llama, ce qui n'était pas prévu : les quatre briques ont été choisies séparément pour leurs mérites propres. Le modèle se charge donc comme un LlamaForCausalLM standard, et la conversion a été vérifiée : écart maximal de 0.00e+00 sur les logits, à toutes les longueurs de séquence.

Vocabulaire

1 971 tokens : les 1 968 coups UCI géométriquement possibles sur un échiquier, plus <pad>, <bos> et <eos>.

Pas de BPE. Le vocabulaire est fini et connu d'avance, ce qui rend possible le masquage de légalité et évite au modèle de réapprendre que e2 et e4 forment une seule unité.

Données

Un mois d'archives publiques Lichess, juillet 2026.


Parties lues	89 288 421
Parties conservées	11 035 777 (12,4 %)
Tokens d'entraînement	803 780 147

Filtrage : les deux joueurs entre 1800 et 2600 Elo, bullet exclu, terminaison normale, entre 20 et 300 demi-coups. Le découpage validation se fait par partie et non par token, pour qu'aucune partie ne soit coupée entre les deux jeux.

Entraînement

Une seule RTX 3090. 2 heures, 16 300 steps, une époque complète. bf16, AdamW, cosinus avec chauffe, batch effectif de 49 152 tokens. MFU mesuré : 64 %.

Loss finale : 1,6024 en entraînement, 1,6434 en validation. Les deux courbes restent superposées, donc aucun surapprentissage.

Ce que le modèle sait

Mesure	Valeur
Coups légaux en génération libre	97,86 %
Accord avec le coup humain, top-1	51,42 %
Accord avec le coup humain, top-5	88,72 %
Roque	100,00 %
Prise en passant	100,00 %
Promotion	98,60 %
Sortie d'échec	96,60 %

Toutes les mesures portent sur des positions de validation jamais vues à l'entraînement, à température 1,0 pour la légalité et sur l'argmax pour le reste.

Limites à connaître

Aucune représentation de l'échiquier. Le modèle ne comprend qu'une suite de coups depuis la position initiale. Il ne sait pas repartir d'une position arbitraire donnée en FEN.

Environ deux coups sur cent sont illégaux sans masquage. Pour jouer réellement, le masquage est indispensable.

Force de jeu modeste. À égalité avec Stockfish bridé au niveau 0, il décroche au niveau 1. C'est un modèle sans recherche : il joue le coup le plus probable après un unique passage avant, sans aucune anticipation.

Il ne joue pas les finales aussi bien que les ouvertures. Les positions à peu de pièces offrent moins de régularité statistique à exploiter.

Modèle apparenté

philidor-142m : même méthode, 142 M de paramètres, quatre mois de données, vingt heures d'entraînement, 98,85 % de coups légaux. En duel direct sur 400 parties il bat ce modèle-ci 305 à 32, soit un écart de 290 points d'Elo.

Le résultat est instructif : à volume de données égal, tripler la taille du modèle ne change presque rien à la légalité, mais gagne deux à trois points d'accord avec le coup humain. Ce qui fait la différence de force de jeu, c'est le volume de données, pas la taille du modèle.

Licence

MIT pour le modèle. Les données proviennent des archives publiques Lichess, diffusées en CC0.