Was ist Maia?

Maia (maiachess.com) ist kein klassischer Analyse-Engine wie Stockfish oder Lc0, sondern verfolgt einen fundamental anderen Ansatz: Statt den objektiv besten Zug zu suchen, wurde das neuronale Netz darauf trainiert, menschliche Züge vorherzusagen – inklusive der typischen Fehler und Denkmuster verschiedener Spielstärken. Das Projekt stammt aus dem CSSLab der University of Toronto (u. a. Ashton Anderson).

Hinter dem Namen „Maia“ stehen inzwischen drei technisch unterschiedliche Generationen, die man nicht verwechseln sollte:

• Maia (2020, KDD-Paper): neun einzelne, getrennt trainierte Modelle, jeweils fest auf eine Ratingstufe zugeschnitten (z. B. „Maia 1100“, „Maia 1500“, „Maia 1900“). Jedes Modell kann nur die Zugwahl auf genau seiner eigenen Stufe vorhersagen.
• Maia-2 (2024, NeurIPS-Paper): ersetzt die neun Einzelmodelle durch ein einziges Modell, das die Spielstärke als zusätzlichen Eingabewert (600 bis 2600 Elo) erhält. Ein und dasselbe Netz sagt also für jede beliebige Zwischenstufe vorher, wie z. B. ein 1420-Elo-Spieler ziehen würde, nicht nur für die neun ursprünglichen Fixpunkte.
• Maia-3 / Chessformer (2026, ICLR-Paper): ersetzt die zugrunde liegende Netzarchitektur durch eine Transformer-Architektur (ähnlich wie bei modernen Sprachmodellen) und erreicht dadurch spürbar höhere Vorhersagegenauigkeit als Maia-2, bei vergleichsweise kompakter Modellgröße.

Auf maiachess.com läuft aktuell Maia-2 als Kernmodell für Analyse und Bots; Maia-3 ist die neuere, in der Forschung bereits vorgestellte Weiterentwicklung.

Konzeptionell ist das interessant im Vergleich zu WDL Contempt bei Lc0: Während Contempt die eigene Bewertung gegen einen angenommenen schwächeren Gegner verzerrt, geht Maia den umgekehrten Weg – es simuliert direkt, wie ein Mensch einer bestimmten Spielstärke tatsächlich zieht, statt nur die Bewertung anzupassen.

Funktionsübersicht

Die Plattform (Relaunch „v1“, Juli 2025, aktuell mit Maia-2 als Kernmodell) gliedert sich über die Navigationsleiste in sechs Hauptbereiche:

Play

Partien gegen Maia-Bots auf verschiedenen Ratingstufen. Die auf Lichess laufenden Bots (Maia 1100, Maia 1500, Maia 1900) spielen bewusst mit menschentypischen Schwächen statt Engine-Präzision – gut geeignet, um gegen realistische Fehlerprofile statt gegen „perfekte“ Bots zu trainieren.

Analysis

Die zentrale Analyseseite. Eigene Partien lassen sich per PGN oder FEN importieren (Speicherung im Browser-Local-Storage). Anders als im ursprünglichen Ankündigungsblog von 2025 beschrieben, heißen bzw. zeigen sich die Komponenten in der aktuellen Oberfläche wie folgt:

• Zwei Eval-Balken neben dem Brett: links die Gewinnwahrscheinlichkeit für Weiß in Prozent, rechts die klassische Stockfish-Bewertung in Bauerneinheiten.
• Analysis-Panel (rechts oben): zwei Spalten nebeneinander – „Maia [Rating]: Human Moves“ (Zug und Wahrscheinlichkeit, dass ein Mensch dieser Stärke ihn spielt) und „SF [Suchtiefe]: Engine Moves“ (Zug und Stockfish-Bewertung). Darunter ein kurzer Klartext-Hinweis, der z. B. auf einen „tempting blunder“ in der Stellung hinweist.
• Genauigkeits-Leiste unter dem Brett: zeigt „Maia % @ [Rating]“ (im Test z. B. 97 %) sowie eine Aufschlüsselung des gespielten Zugs in die Kategorien Blunders, Mistakes und Best Moves samt Prozentwert.
• Moves by Rating: ein Liniendiagramm, das für mehrere Kandidatenzüge zeigt, wie ihre Spielwahrscheinlichkeit von 600 bis 2600 Elo verläuft – z. B. wie ein Zug bei schwachen Spielern selten, bei mittlerem Niveau am beliebtesten und bei starken Spielern wieder seltener ist.

Eine separate „Move Map“ als Streudiagramm, wie im Ankündigungsblog von 2025 beschrieben, war in der geprüften Ansicht nicht sichtbar – möglicherweise wurde sie umbenannt, in ein anderes Element integriert, oder befindet sich unterhalb des sichtbaren Bereichs (dort folgen laut Oberfläche noch Reiter „Options“ und „Export“ mit weiteren Einstellungen wie „Analyze using“, „Analyze entire game“ und „Learn from mistakes“).

Aus jeder Stellung heraus lassen sich zudem in Echtzeit Varianten ausprobieren.

Schematische Darstellung der Analyseseite auf Basis eines eigenen Testlaufs (eigene Illustration zur Veranschaulichung, keine Original-Bildschirmaufnahme von maiachess.com).

Puzzles / Drills

Taktik-Training (Puzzles) sowie ein Eröffnungs-Drill-Format: Ein Satz Eröffnungen wird konfiguriert (Länge, Schwierigkeit, Anzahl), das Drill startet direkt nach der Eröffnungsphase gegen ein Maia-Modell, und im Anschluss folgt eine Auswertung, welchem Ratingniveau die eigenen Züge entsprachen.

Bot-or-Not („Turing-Test“)

Ein spielerisches Format, bei dem geraten werden soll, ob eine Partie bzw. ein Zug von einem Menschen oder einer KI stammt. Eher Gimmick als Trainingswerkzeug, aber konzeptionell konsequent zum Grundgedanken der Seite.

Broadcasts / Candidates

Live-Übertragungen bzw. thematische Partiensammlungen (u. a. Klassiker wie Karpov–Kasparov oder Fischer–Spassky, als Beispielpartien auf der Startseite eingebunden).

Handhabung

Der Login läuft ausschließlich über Lichess-OAuth – kein eigenes Konto, kein separates Passwort, direkt an das Lichess-Ökosystem angebunden. Das passt zur Datenbasis: Maia wurde komplett auf Lichess-Partien trainiert, und auch die Bots laufen als Lichess-Accounts.

Die Oberfläche wirkt aufgeräumt und wurde beim v1-Relaunch bewusst vereinheitlicht (einheitliches Layout, Farben und Komponenten über alle Seiten hinweg, verbesserte Mobilansicht). Jede Hauptseite verfügt über ein interaktives Walkthrough-Tutorial, aufrufbar über das „?“-Symbol oben links – hilfreich, da die Analyse-Komponenten wie Move Map oder Blunder-Meter auf den ersten Blick etwas erklärungsbedürftig sind. Export von Partien und Stellungen als PGN/FEN ist vorgesehen, ebenso Paginierung bei langen Partiehistorien.

Der Code des Frontends ist vollständig Open Source (github.com/CSSLab/maia-platform-frontend), ebenso die Modelle selbst (maia-chess, maia2). Technisch interessierte Nutzer könnten Maia daher theoretisch auch lokal einbinden, ähnlich wie Lc0-Netzwerke in Nibbler.

Einordnung

Der Mehrwert gegenüber einer reinen Stockfish- oder Lc0-Analyse liegt im didaktischen Kontext: Statt nur zu zeigen, dass ein Zug ein Fehler von beispielsweise –1,8 war, zeigt Maia, wie typisch dieser Fehler für eine bestimmte Spielstärke ist und was Spielerinnen und Spieler auf dem eigenen oder dem nächsthöheren Niveau stattdessen tendenziell spielen. Für Trainingszwecke – etwa um realistische Referenzpunkte statt reiner Enginezüge zu erhalten – ist das ein anderer, komplementärer Ansatz zu einer klassischen Contempt- oder Enginebewertung.

Einschränkung: Login und Bots hängen vollständig an Lichess – für die eigene Partieanalyse ist das aber kein Hindernis, auch für Partien, die nie auf Lichess gespielt wurden. Die Analyseseite akzeptiert Partien wahlweise per Lichess-Link oder als eingefügtes PGN. Für eine über-the-Board-Partie oder eine Chess.com-Partie bedeutet das konkret:

• Die Partie in der gewohnten Datenbank-Software (z. B. Scid vs. PC, ChessX, HIARCS Chess Explorer) als PGN exportieren bzw. den PGN-Text markieren und kopieren.
• Auf der Maia-Analyseseite das PGN-Eingabefeld öffnen und den kopierten Text einfügen.
• Die Partie wird lokal im Browser gespeichert (Local Storage) und lässt sich anschließend genauso mit Insight-Panel, Moves-by-Rating, Blunder-Meter und Move Map auswerten wie eine Lichess-Partie.

Ein Lichess-Konto ist für diesen Weg nicht zwingend nötig; benötigt wird lediglich der Login über Lichess-OAuth, um die Analyseseite überhaupt zu öffnen – die Partie selbst kann aber aus jeder beliebigen Quelle stammen.

Quellen: maiachess.com, CSSLab / University of Toronto, Maia- und Maia-2-Forschungspapiere.

About Author