Instructions to use gandensang/masterchess with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use gandensang/masterchess with Transformers:
# Load model directly from transformers import AutoModel model = AutoModel.from_pretrained("gandensang/masterchess", dtype="auto") - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- Unsloth Studio
How to use gandensang/masterchess with Unsloth Studio:
Install Unsloth Studio (macOS, Linux, WSL)
curl -fsSL https://unsloth.ai/install.sh | sh # Run unsloth studio unsloth studio -H 0.0.0.0 -p 8888 # Then open http://localhost:8888 in your browser # Search for gandensang/masterchess to start chatting
Install Unsloth Studio (Windows)
irm https://unsloth.ai/install.ps1 | iex # Run unsloth studio unsloth studio -H 0.0.0.0 -p 8888 # Then open http://localhost:8888 in your browser # Search for gandensang/masterchess to start chatting
Using HuggingFace Spaces for Unsloth
# No setup required # Open https://huggingface.co/spaces/unsloth/studio in your browser # Search for gandensang/masterchess to start chatting
Load model with FastModel
pip install unsloth from unsloth import FastModel model, tokenizer = FastModel.from_pretrained( model_name="gandensang/masterchess", max_seq_length=2048, )
Master Ending - AI Chess Coach (Pilot Phase)
- Developed by: gandensang (Budi Santoso)
- Project Name: Master Ending Application
- License: apache-2.0
π― Visi Project: Master Ending
Master Ending bukan sekadar mesin catur (engine) biasa. Ini adalah bagian inti dari proyek aplikasi pelatih fase akhir (endgame) catur yang dirancang untuk membantu pemain dari berbagai level memahami logika di balik setiap langkah.
Tujuan utama kami adalah menciptakan asisten AI yang tidak hanya menunjukkan langkah yang "benar" secara teknis, tetapi memberikan langkah yang paling akurat dan didukung oleh data historis Grandmaster (Elo 2500+).
π§ Keunggulan Model
Model ini merupakan hasil fine-tuning tahap awal yang mengintegrasikan pemahaman posisi mendalam dengan database pertandingan nyata.
- Akurasi Teoretis Tinggi: Menggunakan dataset dari pemain dengan Elo 2500+ untuk memastikan AI belajar dari standar tertinggi.
- Konteks Historis: Setiap analisis langkah dihubungkan kembali ke Game ID/Hash asli, memungkinkan pengguna untuk merujuk pada partai lengkap di mana posisi tersebut pernah terjadi.
- Fokus pada Edukasi: Dirancang untuk menjadi mesin penggerak aplikasi Master Ending yang akan menjelaskan transisi posisi, bukan hanya memberikan evaluasi angka (+/-).
π Detail Teknis (Pilot Run)
Pada fase Pilot Run ini, model telah dilatih untuk mengenali:
- Notasi FEN: Mengonversi posisi statis menjadi pemahaman strategis.
- Identifikasi Fase: Membedakan kebutuhan taktis antara Opening, Middlegame, dan terutama Endgame.
- Integrasi Database: Menyertakan referensi unik untuk setiap posisi guna menjaga integritas data aplikasi.
Format Instruksi (Alpaca Style)
Model merespons secara konsisten dengan format berikut:
### Instruction:
[Instruksi Analisis Master Ending]
### Input:
[Posisi FEN]
### Response:
Langkah Terbaik: [Langkah SAN]. (Hasil Akhir: [1-0/0-1/1/2-1/2]) | Ref ID: [GM-Hash]