机器学习的最新突破主要归功于规模的扩大：即前所未有规模的大型注意力机制架构和数据集。这篇论文探讨了在国际象棋中大规模训练的影响。与依赖复杂启发式方法或显式搜索的传统国际象棋引擎不同，研究人员使用监督学习训练了一个拥有2.7亿参数的变压器模型，并在1000万盘棋局的数据集上进行训练。通过使用强大的Stockfish 16引擎对每个棋盘进行动作价值标注，该模型达到了2895的Lichess快棋Elo评分，并成功解决了一系列挑战性的国际象棋难题，且无需任何特定领域的调整或显式搜索算法。实验还表明，该模型在没有蒙特卡罗树搜索的情况下，表现优于AlphaZero的策略和价值网络以及GPT-3.5-turbo-instruct。系统的模型和数据集规模研究表明，只有在足够的规模下才能实现强大的国际象棋性能。

在弱监督学习领域，对象定位任务一直是一个挑战性问题。传统的基于伪标签的方法虽然取得了一定的进展，但往往忽略了如何有效利用这些可能带有噪声的标签。本文提出了一种新颖的弱监督对象定位方法——噪声标签学习下的弱监督对象定位，通过清洗有缺陷的标签并优化其应用方式，显著提升了对象定位的性能。