# LLM chess benchmark: os rankings públicos de IA no xadrez comparados

> Todo LLM chess benchmark público que conseguimos verificar, com método, data e ratings do topo. Dados de outubro de 2026, com fonte em cada linha.

- URL: https://thechesscoach.netlify.app/pt/data/benchmark-de-xadrez-para-llm/
- Updated: 2026-10-27
- Author: Ignacio Soler

Um LLM chess benchmark (um teste de xadrez para modelos de linguagem) põe os modelos para jogar xadrez, entre si, contra motores ou contra um jogador que faz lances aleatórios, e transforma os resultados num rating. Em 26 de outubro de 2026, conseguimos verificar quatro benchmarks públicos, com métodos e números. Os modelos Gemini lideram três deles, os melhores modelos da OpenAI e da Anthropic ficam na faixa de 1500 a 1600 nos rankings do Dubesor e do Saplin, e nenhum modelo chega perto de um motor de xadrez de verdade.

Os ratings não podem ser trocados de um ranking para outro. Cada um tem seus próprios adversários, suas próprias regras para lances ilegais e seu próprio ponto zero. Por isso esta página coloca o método ao lado de cada número.

## Os quatro rankings de xadrez para LLMs num relance

Conferido em 26 de outubro de 2026. "Últimos dados" é a data que a própria fonte mostra.

| Ranking | Quem mantém | Como o rating é calculado | Adversários | Lances ilegais | Últimos dados |
|---|---|---|---|---|---|
| [AI Chess Leaderboard](https://dubesor.de/chess/chess-leaderboard) | Dubesor, desenvolvedor independente | Elo atualizado após cada partida; valor inicial pela precisão segundo o Stockfish 17.1 | Outros modelos de IA; maia5-1500 e um jogador aleatório como referência | Registrados numa coluna "Legal %" | 26 de out. de 2026 (357 modelos, 5.163 partidas) |
| [LLM Chess Leaderboard](https://maxim-saplin.github.io/llm_chess/) | Maxim Saplin; artigo com coautores ([arXiv 2512.01992](https://arxiv.org/abs/2512.01992)) | Elo por máxima verossimilhança, com intervalo de 95% | Um jogador aleatório e o motor Komodo Dragon em níveis com rating do Chess.com; o modelo sempre joga de pretas | Derrota após 3 falhas num mesmo lance, ou 10 turnos de diálogo | Arquivo de dados de 20 de out. de 2026 ([GitHub](https://github.com/maxim-saplin/llm_chess)) |
| [LLM Chess Benchmark](https://chessbenchllm.onrender.com/) | Projeto de código aberto ([GitHub](https://github.com/lightnesscaster/chess-llm-benchmark)) | Glicko-2, calibrado para um rating estimado de Clássicas do Lichess | Referências de rating fixo (redes Maia, o motor Eubos, um jogador aleatório fixado em 400) e outros modelos | Uma nova tentativa; depois, a partida é perdida | Sem data na página; conferido em 26 de out. de 2026 |
| [Artigo do Game Arena](https://arxiv.org/abs/2609.31473) | Google DeepMind e Kaggle, 62 autores | Elo de Bradley–Terry; o modelo mais fraco fica em 0 | Modelos de ponta de 5 laboratórios, 40 partidas por par | Derrota após quatro tentativas falhas | Enviado em 25 de set. de 2026; modelos escolhidos em fev. de 2026 |

O Kaggle também mantém um [ranking de xadrez ao vivo](https://www.kaggle.com/benchmarks/kaggle/chess-text) do Game Arena. Os números dele carregam no navegador e não conseguimos lê-los de forma confiável, então ficaram de fora.

## Os ratings do topo em cada ranking

Cada linha cita a sua fonte. "±" e as faixas são a incerteza de cada ranking. Só copiamos números que conseguimos ver na fonte em 26 de outubro de 2026.

| Ranking | Modelo | Rating | Partidas | Fonte |
|---|---|---|---|---|
| Dubesor | Gemini 3.1 Pro Preview | 1860 ±85 | 81 | [dubesor.de, 26 de out.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | GPT-6 Astra | 1637 ±86 | 45 | [dubesor.de, 26 de out.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | Claude Opus 5.5 | 1571 ±98 | 35 | [dubesor.de, 26 de out.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | maia5-1500 (rede que imita humanos, não é um LLM) | 1554 ±90 | 46 | [dubesor.de, 26 de out.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | DeepSeek V4 Flash (0731) | 1438 ±99 | 44 | [dubesor.de, 26 de out.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | Grok 4.20 Reasoning | 1362 ±89 | 47 | [dubesor.de, 26 de out.](https://dubesor.de/chess/chess-leaderboard) |
| Dubesor | Jogador aleatório (referência) | 419 | 200 | [dubesor.de, 26 de out.](https://dubesor.de/chess/chess-leaderboard) |
| Saplin | GPT-6 Astra (high) | 1614 ±110 | 67 | [Saplin, dados de 20 de out.](https://maxim-saplin.github.io/llm_chess/) |
| Saplin | GPT-6.1 Sol (xhigh) | 1612 ±162 | 30 | [Saplin, dados de 20 de out.](https://maxim-saplin.github.io/llm_chess/) |
| Saplin | Gemini 4 Argon (high) | 1609 ±131 | 40 | [Saplin, dados de 20 de out.](https://maxim-saplin.github.io/llm_chess/) |
| Saplin | Claude Opus 5.5 (high) | 1575 ±113 | 64 | [Saplin, dados de 20 de out.](https://maxim-saplin.github.io/llm_chess/) |
| LLM Chess Benchmark | Gemini 3.1 Pro Preview (high) | 2144 (1963–2325) | 18 | [chessbenchllm, 26 de out.](https://chessbenchllm.onrender.com/) |
| LLM Chess Benchmark | GPT-6 Astra (high) | 1975 (1870–2081) | 50 | [chessbenchllm, 26 de out.](https://chessbenchllm.onrender.com/) |
| LLM Chess Benchmark | maia-1900 (referência, não é um LLM) | 1816 | 256 | [chessbenchllm, 26 de out.](https://chessbenchllm.onrender.com/) |
| LLM Chess Benchmark | Claude Opus 5.5 (high) | 1197 (517–1876) | 2 | [chessbenchllm, 26 de out.](https://chessbenchllm.onrender.com/) |
| Artigo do Game Arena | Gemini 3 Pro Preview | 1325 | 40 por par | [arXiv 2609.31473](https://arxiv.org/abs/2609.31473) |
| Artigo do Game Arena | o3 | 1009 | 40 por par | [arXiv 2609.31473](https://arxiv.org/abs/2609.31473) |
| Artigo do Game Arena | Grok 4 | 773 | 40 por par | [arXiv 2609.31473](https://arxiv.org/abs/2609.31473) |
| Artigo do Game Arena | Claude Opus 4.5 | 236 | 40 por par | [arXiv 2609.31473](https://arxiv.org/abs/2609.31473) |

Olhe o número de partidas antes do rating. O Claude Opus 5.5 tem duas partidas no LLM Chess Benchmark, então a faixa de 95% dele ali vai de 517 a 1876: por enquanto, isso não diz quase nada. O artigo do Game Arena testou uma geração mais antiga de modelos, e é por isso que os números dele parecem tão diferentes.

## Como funciona cada LLM chess benchmark

**O AI Chess Leaderboard do Dubesor** é o maior grupo. Cada modelo recebe um rating inicial a partir da precisão das suas dez primeiras partidas, medida pelo Stockfish 17.1, e depois atualizações normais de Elo após cada partida entre IAs. Ele também publica a precisão segundo o Stockfish e uma taxa de capivaradas para cada modelo, além de um rating separado de problemas, medido contra os ratings oficiais dos problemas do Lichess. Nessa tabela de problemas, o Gemini 4 Argon (high) lidera com 2193 ±85, o GPT-6 Astra marca 1921 ±71 e o Claude Opus 5.5, 1631 ±72. A página do Dubesor avisa que o Elo ali é relativo ao próprio grupo.

**O LLM Chess Leaderboard do Saplin** pede que os modelos joguem por meio de um diálogo curto: eles podem pedir o tabuleiro, pedir os lances legais ou enviar um lance. Quebrar o formato três vezes num mesmo lance, ou conversar dez turnos sem jogar, perde a partida. Isso faz dele, em parte, um teste de seguir instruções. O [artigo por trás dele](https://arxiv.org/abs/2512.01992) (dezembro de 2025) concluiu que muitos modelos de ponta tinham dificuldade para terminar partidas ou ganhar com consistência, mesmo contra um adversário aleatório, e que os modelos com raciocínio superavam claramente os sem raciocínio.

**O LLM Chess Benchmark** é o que mais se esforça para falar a língua dos ratings humanos. Os modelos enfrentam referências com rating fixo de Clássicas do Lichess, e os resultados são levados para essa escala com o Glicko-2, um sistema de rating que também acompanha o quanto cada rating é incerto. Não há piso de rating, então modelos fracos podem ficar abaixo de zero. A [página de metodologia](https://chessbenchllm.onrender.com/methodology) traz uma ressalva com a qual concordamos: o autor espera que os modelos se saiam pior contra humanos, que exploram melhor as fraquezas sistemáticas.

**O artigo do Game Arena** é o mais controlado. Cada par de modelos joga 40 partidas, 20 com cada cor, por APIs públicas, com as configurações padrão e sem ferramentas. Os ratings são relativos, então o modelo mais fraco fica em 0. Os autores usaram o Stockfish para acompanhar quem estava ganhando durante cada partida e viram que os modelos começam equilibrados e se separam no meio-jogo.

## O que esses benchmarks medem: jogar, não explicar

Os quatro rankings pontuam a mesma coisa: se o modelo consegue ganhar uma partida e manter os lances legais. Nenhum verifica se o modelo explica uma posição corretamente, que é o que a maioria das pessoas de fato pede a um chatbot depois de uma partida.

São habilidades diferentes. Um benchmark de pesquisa separado, o [ChessQA](https://arxiv.org/abs/2510.23948) (outubro de 2025), testou a compreensão em vez do jogo, em cinco áreas que vão das regras básicas à tática, à avaliação de posições e aos conceitos de xadrez. Os autores relatam fraquezas persistentes em todas as áreas nos modelos que testaram. Ou seja, um modelo com um rating de jogo razoável ainda pode dar uma explicação confiante e errada.

Essa lacuna é a conclusão honesta de todo ranking de xadrez para LLMs. Mesmo no ranking que converte para as Clássicas do Lichess, onde o melhor modelo é estimado em 2144, os modelos ainda dão capivaradas, e nada dentro do modelo confere o que ele afirma. Sobre o Claude em particular, veja [Qual é o Elo do Claude no xadrez?](/answers/claude-chess-elo/) e [Claude vs ChatGPT no xadrez](/answers/claude-vs-chatgpt-chess/). Para o que acontece quando um modelo encara um motor de verdade, veja [ChatGPT vs Stockfish](/answers/chatgpt-vs-stockfish/).

## Por que o Chess Coach usa o Stockfish para os fatos

Esses rankings são o motivo de o Chess Coach não deixar o modelo de linguagem decidir o que é verdade numa posição. O Chess Coach é um conector para o Claude e o ChatGPT. Ele revisa as suas partidas terminadas do Chess.com e do Lichess com o Stockfish no nosso próprio servidor, e toda avaliação, melhor lance e linha vem do motor. O trabalho do seu assistente é a parte em que os modelos de linguagem são bons: transformar esses fatos em palavras simples para o seu nível, num tabuleiro interativo com os momentos-chave marcados. Assim, o rating de xadrez do próprio assistente não limita a qualidade da sua revisão. O plano gratuito inclui uma análise aprofundada por dia. [Conecte o Chess Coach](/connect/), leia a [documentação](/docs.html) ou veja como as ferramentas de xadrez se conectam ao Claude no nosso [guia de Claude skill de xadrez](/guides/claude-code-chess-skill/).

## FAQ

### Qual é o melhor benchmark de xadrez para LLMs?

Não existe um padrão único. O AI Chess Leaderboard do Dubesor tem mais modelos e partidas, o LLM Chess Leaderboard do Saplin é descrito num artigo no arXiv, o LLM Chess Benchmark converte os resultados para uma escala de Clássicas do Lichess e o artigo do Game Arena, do Google DeepMind e do Kaggle, faz cada par de modelos jogar 40 partidas. Cada um responde a uma pergunta um pouco diferente.

### Qual LLM lidera os rankings de xadrez em outubro de 2026?

Os modelos Gemini lideram a maioria. No ranking do Dubesor (26 de outubro de 2026), o Gemini 3.1 Pro Preview está em primeiro com 1860 ±85. No do Saplin (dados de 20 de outubro de 2026), o GPT-6 Astra está em primeiro com 1614 ±110, com o Gemini 4 Argon e o Claude Opus 5.5 dentro da margem de erro.

### Dá para comparar o Elo de xadrez de um LLM com o meu rating do Chess.com?

Não diretamente. Cada ranking avalia os modelos dentro do seu próprio grupo e das suas regras. O LLM Chess Benchmark tenta converter para as Clássicas do Lichess usando motores de referência, e o Dubesor dá uma comparação aproximada com bots, mas os dois dizem que são aproximações.

### Os benchmarks de xadrez para LLMs medem se o modelo explica bem o xadrez?

Não. Os quatro rankings desta página medem o jogo: ganhar partidas e fazer lances legais. Explicar bem uma posição é outra habilidade, testada por pesquisas separadas, como o benchmark ChessQA.

## Related

- [Elo do Claude no xadrez: o que dizem os rankings de LLMs (2026)](https://thechesscoach.netlify.app/pt/answers/elo-do-claude-no-xadrez.md)
- [Claude vs ChatGPT no xadrez: qual IA joga melhor? (2026)](https://thechesscoach.netlify.app/pt/answers/claude-vs-chatgpt-xadrez.md)
- [O Claude joga xadrez? O que ele faz e o que não faz (2026)](https://thechesscoach.netlify.app/pt/answers/claude-joga-xadrez.md)
- [ChatGPT vs Stockfish: quem ganha no xadrez e por quê](https://thechesscoach.netlify.app/pt/answers/chatgpt-vs-stockfish.md)
- [Claude skill de xadrez: skills vs MCP no xadrez (2026)](https://thechesscoach.netlify.app/pt/guides/claude-skill-de-xadrez.md)