Meilleur bot d'échecs : ce qu'est Maia, sa force réelle et où jouer

Vous cherchez le meilleur bot d'échecs et vous êtes tombé sur le nom Maia. Bonne intuition : tapez BOT maia1 dans la barre de recherche de Lichess et vous voilà mis en relation, instantanément et gratuitement, avec un réseau de neurones qui n'a jamais, pas une seule fois, cherché à calculer le coup objectivement le plus fort sur l'échiquier. Maia, c'est exactement ce projet-là : une famille de modèles entraînés à prédire ce qu'un humain d'une notation donnée jouerait vraiment, et non ce qu'un moteur d'échecs classique choisirait. Nous avons déjà raconté ailleurs pourquoi cette distinction compte, et pourquoi un moteur simplement affaibli commet des erreurs très différentes de celles d'un vrai joueur. Cette page-ci est la référence rapide et structurée : ce qu'est vraiment Maia, comment ses trois générations diffèrent, si elle est vraiment gratuite, où y jouer aujourd'hui, et comment elle se compare à Stockfish.

Une précision avant toute chose. Si vous êtes arrivé ici en cherchant le « Maia Chess Open », il s'agit d'un vrai tournoi homologué FIDE, sans rapport avec ce qui suit, organisé chaque année dans la ville de Maia, au Portugal, près de Porto ; son édition 2026 s'est déroulée du 21 au 29 août, avec des sections U2000 et Maîtres. Il n'a rien à voir avec le projet d'intelligence artificielle décrit ici, à part le nom.

Qu'est-ce que Maia, exactement

Maia est né d'un article de recherche de 2020, « Aligning Superhuman AI with Human Behavior: Chess as a Model System », signé McIlroy-Young, Sen, Kleinberg et Anderson, présenté à KDD 2020 et publié sous la référence arXiv:2006.01855. L'équipe venait du Computational Social Science Lab de l'Université de Toronto, en collaboration avec l'Université Cornell et Microsoft Research. Cette attribution compte : au moins une page actuellement bien classée sur ce terme crédite à tort l'université Carnegie Mellon, une erreur qu'aucune source primaire ici ne confirme.

L'idée rompait vraiment avec la façon dont les moteurs d'échecs sont construits d'habitude : plutôt que d'affaiblir la recherche d'un moteur puissant pour obtenir une notation plus basse, les chercheurs ont entraîné un modèle directement sur des millions de vraies parties humaines, si bien que ses réponses reflètent ce que les gens jouent réellement. La première version publique de Maia est sortie comme bot Lichess en décembre 2020, et plus de 40 000 parties ont été jouées contre elle dès sa première semaine.

Comment fonctionne Maia, en bref

Chaque modèle Maia s'entraîne sur de vraies parties Lichess, étiquetées avec la notation du joueur qui a joué chaque coup, puis prédit, pour une position donnée et une notation cible, la probabilité que chaque coup légal soit joué ensuite. Réglez la notation cible plus haut, et la distribution se déplace vers les coups que les joueurs forts ont tendance à choisir ; réglez la plus bas, et elle se déplace vers les coups des joueurs plus faibles, erreurs comprises. C'est un problème de données d'entraînement, pas un problème de recherche, ce qui explique aussi pourquoi simplement limiter la profondeur de recherche d'un moteur puissant ne peut pas reproduire cet effet. L'argument complet sur pourquoi ce raccourci ne fonctionne pas, nous le développons ailleurs sur le blog ; il n'est pas répété ici.

Les trois générations, comparées

Maia désigne aujourd'hui trois modèles distincts, publiés à six ans d'écart, chacun mesuré face à de vraies parties humaines avec la précision d'appariement de coups : la fréquence à laquelle le coup prédit par le modèle correspond à ce qu'un vrai humain de cette notation a réellement joué ensuite, sur un ensemble de parties mises de côté pour le test.

Deux points ressortent, qu'aucune page de classement ne présente de cette façon. D'abord, le saut de Maia-1 à Maia-3 n'est pas qu'une histoire de plus gros chiffre : l'article de Maia-3 décrit son checkpoint à 79 millions de paramètres battant un modèle antérieur de 355 millions de paramètres qui s'appuyait sur la recherche, avec moins d'un quart des paramètres. Ensuite, la licence change à chaque génération, et pas dans une progression logique : GPL-3.0, puis MIT, puis AGPL-3.0, la plus stricte des trois.

Maia-3 existe aussi en trois tailles plutôt qu'une seule : maia3-5m, 5 millions de paramètres, décrit par CSSLab comme adapté à un premier essai, à l'utilisation sur CPU et aux interfaces graphiques d'échecs classiques ; maia3-23m, 23 millions, pour une meilleure précision ; et maia3-79m, 79 millions, pour la meilleure précision possible, le checkpoint derrière le chiffre phare de 57,1%. La plage de notation de 600 à 2600 sur l'échelle Lichess que met en avant maiachess.com appartient à cette génération. Maia-1 ne la couvrait pas : ses neuf réseaux ne couvraient que 1100 à 1999.

Maia est-il gratuit et open source

Chaque génération est gratuite à utiliser et son code est public, mais ce que permet réellement « open source » n'est pas uniforme. La licence MIT de Maia-2 est la seule vraiment permissive. La GPL-3.0 de Maia-1 ne l'est pas du tout : c'est un copyleft fort, qui oblige quiconque distribue une version modifiée à publier ce code modifié sous les mêmes termes. L'AGPL-3.0 de Maia-3 va encore plus loin : elle impose des obligations liées à l'usage en réseau que les deux autres n'ont pas, ce qui signifie qu'une version modifiée exécutée comme service réseau peut à elle seule déclencher l'obligation de publier ce code modifié, pas seulement une copie compilée. C'est une vraie distinction pour quiconque construit sur Maia-3, y compris toute application qui embarque un checkpoint, et cela vaut la peine de lire le texte de licence réel plutôt que de supposer qu'elle se comporte comme les deux précédentes. Rien de tout cela n'est un conseil juridique, juste une différence factuelle qu'une page affirmant que Maia est simplement « ouvert et libre d'usage comme bon vous semble » a tendance à passer sous silence.

Indépendamment du code brut, CSSLab fait tourner maiachess.com, une plateforme complète et pas juste un renvoi vers un bot : Jouer, Analyse, Puzzles, Hand and Brain, Drills, et un jeu façon test de Turing appelé Bot or Not. La connexion se fait via un compte Lichess, et il n'y a de page de tarifs nulle part sur le site. Si votre seul objectif est de jouer contre Maia sans rien payer, c'est une vraie alternative gratuite et complète, à connaître avant de payer quoi que ce soit qui ne fait qu'emballer le même modèle.

Où jouer réellement contre Maia en 2026

C'est ici que la plupart des pages deviennent vagues. Seul Maia-1 est jouable le jour même de votre recherche, sans aucune installation : BOT maia1, BOT maia5 et BOT maia9 sont des comptes bot Lichess actifs et bien vivants aujourd'hui. BOT maia1, entraîné sur des parties à 1100, affichait une notation classique de 1643 sur plus de 3,5 millions de parties depuis février 2020, vérifié le 28 août 2026. BOT maia9, entraîné sur des parties à 1900, affichait 1789 sur plus de 1,3 million de parties à la même date. Les deux évoluent au fil des parties, donc prenez ces chiffres comme une photo à un instant donné. Cherchez l'un ou l'autre nom dans l'annuaire des bots de Lichess et défiez-le directement avec un compte gratuit ; tout le jeu contre les bots y est gratuit.

CSSLab ne fait tourner aucun compte bot Lichess officiel pour Maia-2 ni pour Maia-3. Des comptes tenus par la communauté existent bel et bien : le 28 août 2026, le seul bot Maia-3 actif que nous ayons trouvé était @maia3-79m_2200, géré par un tiers et non par le laboratoire, donc sa disponibilité et sa configuration ne sont la responsabilité de personne en particulier. Le propre dépôt Maia-2 de CSSLab indique carrément que Maia-3 est désormais recommandé pour les nouveaux projets, et le dépôt Maia-3 ne donne que des instructions d'installation en local : le cloner, l'installer, le faire tourner comme moteur UCI, sans jamais mentionner de déploiement sur Lichess. Dans les faits, il reste trois voies honnêtes vers les générations les plus récentes : faire tourner le code vous-même depuis GitHub ou Hugging Face, utiliser la page de jeu de maiachess.com, ou utiliser une application qui embarque un checkpoint directement sur l'appareil. Les comptes bot communautaires apparaissent et disparaissent sans préavis, donc revérifiez celui que vous trouvez, au plus près du moment où vous lisez ceci.

Maia contre Stockfish

Ce ne sont pas deux réponses concurrentes à la même question. Stockfish, actuellement en version 18, sortie le 31 janvier 2026, analyse une position et indique le coup qu'il calcule comme objectivement le plus fort, sans se soucier de qui doit le jouer ensuite. Son réseau NNUE a été reconstruit pour cette version ; le propre billet de sortie de Stockfish revendique un gain Elo allant jusqu'à 46 points par rapport à Stockfish 17 ; le chiffre absolu CCRL 40/15 sur un seul CPU, autour de 3653, provient d'agrégateurs tiers et non du projet lui-même. Maia pose une question différente : étant donné une position et une notation cible, que jouerait vraiment un humain, erreurs comprises. Aucun des deux modèles n'est « meilleur » dans un sens qui survit à une comparaison directe.

Une dernière nuance : la même architecture Chessformer a aussi été intégrée à Leela Chess Zero, uniquement pour la force de jeu et non pour la prédiction de coups humains, où elle a ajouté plus de 100 points Elo et produit des victoires en tournoi contre Stockfish. C'est un usage séparé de l'architecture, pour la pure force brute, et non les checkpoints Maia3 prédisant les coups humains décrits partout ailleurs dans cet article. Confondre les deux reviendrait à attribuer à Maia3 une prétention de force qu'il ne revendique jamais pour son propre jeu.

Quelle est la vraie force de Maia

La précision d'appariement de coups, 46 à 52 pour cent pour Maia-1, 53,25 pour cent pour Maia-2, 57,1 pour cent pour Maia-3, mesure la fréquence à laquelle le modèle prédit ce qu'un vrai humain a réellement joué ensuite, sur un large ensemble de parties mises de côté pour le test. La recherche originale sur Maia-1 rapporte aussi qu'il prédit correctement les gaffes humaines, laisser sa dame en prise et autres erreurs franches, plus de 25 pour cent du temps : prédire l'erreur, pas seulement le bon coup, une chose dont un moteur classique est tout simplement incapable.

Rien de tout cela ne donne une notation Elo unique, parce que Maia est conditionné par la notation dès sa conception, et l'étiquette qu'un bot porte n'est pas une garantie stricte de ce qu'on ressent en jouant contre lui. De vrais joueurs le signalent directement sur les forums de Lichess : certains décrivent BOT maia1, nominalement à 1100, comme jouant nettement plus fort que ce chiffre ne le suggère, l'un d'eux le résumant sans détour par « Même maia à 1100 semble jouer plutôt fort, bien au-dessus de 1100. » La documentation du propre dépôt de CSSLab reconnaît cet écart et explique pourquoi les bots jouent au-dessus de leur étiquette. Le résumé honnête : Maia se rapproche davantage du jeu d'un vrai humain d'un niveau donné qu'un moteur simplement affaibli, mais ce n'est pas un clone parfaitement calibré d'un joueur à cette notation exacte.

Nous avons produit nos propres chiffres sur une toute autre question, avec notre propre pipeline, le 28 août 2026 : maia3-js faisant tourner le checkpoint maia3-5m, le petit modèle destiné à l'appareil, sur la fin de la partie de l'Opéra, Morphy contre le duc de Brunswick et le comte Isouard, Paris 1858, avec Stockfish 17 à profondeur 20 et MultiPV réglé sur la totalité des coups légaux. Nous appelons cette mesure la trouvabilité : la probabilité que Maia3 attribue précisément au coup que Stockfish juge le meilleur, à sept notations simulées différentes. Ce n'est pas la précision d'appariement de coups, et il ne faut pas la comparer au chiffre de 57,1 pour cent ci-dessus ; la précision d'appariement de coups mesure si Maia prédit ce qu'un humain a réellement joué, la trouvabilité mesure la probabilité que Maia attribue à ce que le moteur juge objectivement correct. C'est une seule partie, notée de façon exhaustive plutôt qu'échantillonnée largement, donc prenez ces chiffres comme une illustration, pas comme une affirmation valable pour l'ensemble des joueurs.

La colonne de 14.Rd1 est la version propre et attendue du conditionnement par la notation : la trouvabilité grimpe régulièrement de 36,70 pour cent à 1000 jusqu'à 81,11 pour cent à 2200, les réglages plus forts trouvant de plus en plus souvent le choix du moteur lui-même. La colonne de 13...Nxd7 fait exactement l'inverse. Plus la notation réglée est élevée, moins Maia3 a de chances de jouer la reprise du cavalier recommandée par le moteur lui-même, chutant de 4,57 pour cent à 1000 à 1,18 pour cent à 2200. Ce n'est pas du bruit statistique. L'alternative, la reprise humaine par la tour, 13...Rxd7, réellement jouée en 1858, devient de plus en plus dominante à mesure que la notation grimpe, de 92,26 pour cent jusqu'à 96,34 pour cent. Stockfish préfère la reprise du cavalier de près d'un pion entier, et pourtant plus le joueur est fort, plus il reprend de façon fiable avec la tour quand même. C'est exactement le genre de chose qu'une simple évaluation moteur ne peut pas vous montrer.

En moyenne sur les sept positions non forcées et non triviales de cette même fin de partie, la trouvabilité moyenne reste quasiment plate : 16,83 pour cent à 1000, 16,38 pour cent à 1400, 17,65 pour cent à 2200. Ne lisez pas cela comme « la notation n'aide pas à trouver les bons coups ». Cela signifie que la notation aide énormément dans certaines positions, comme 14.Rd1 ci-dessus, et joue activement contre le choix préféré du moteur dans d'autres, comme 13...Nxd7, et qu'un seul chiffre moyenné annule tranquillement les deux effets. Nous avons publié le détail complet des sept positions et la méthodologie, avec une seconde position où le même schéma se reproduit autour d'un mat forcé manqué, dans notre article sur ce que l'analyse d'échecs peut, et ne peut pas, vous dire.

Comment faire tourner Maia soi-même

Pour Maia-1, rien à installer ; son code se trouve sur CSSLab/maia-chess sous licence GPL-3.0, mais pour y jouer, il suffit des bots Lichess décrits plus haut.

Pour Maia-2, clonez CSSLab/maia2 depuis GitHub, sous licence MIT. La documentation de CSSLab oriente elle-même les nouveaux projets vers Maia-3 à la place, donc considérez Maia-2 comme la génération à connaître plutôt que celle sur laquelle construire aujourd'hui.

Pour Maia-3, clonez CSSLab/maia3, sous licence AGPL-3.0. Choisissez le checkpoint adapté à votre usage : maia3-5m pour du matériel ordinaire et les interfaces graphiques d'échecs classiques en tant que moteur UCI, maia3-23m pour un cran de précision supplémentaire, ou maia3-79m, également disponible sur Hugging Face sous le nom UofTCSSLab/Maia3-79M avec sa propre fiche de modèle sous licence AGPLv3, pour la meilleure précision possible, au prix de plus de calcul. La fiche de modèle indique clairement sa période d'entraînement : des parties Lichess de janvier 2023 à juillet 2025.

Chessdrive, l'application que nous construisons, prend plutôt la voie du produit fini : elle embarque le checkpoint maia3-5m pour le faire tourner entièrement sur l'appareil comme adversaire, et fait tourner Stockfish séparément, après la partie plutôt que pendant, pour analyser ce qui s'est passé. Ce duo, un prédicteur de coups humains comme adversaire et un moteur du coup le plus fort pour l'analyse, comble l'écart entre une recherche disponible gratuitement et le fait d'y jouer avec le résultat expliqué au même endroit, sans rendre la recherche sous-jacente exclusive pour autant ; les chemins décrits plus haut restent, eux, gratuits.

Dernière vérification : 28 août 2026, à partir des sources citées ci-dessus et de la propre sortie Maia3 générée par Chessdrive décrite dans cet article. Les comptes bot Lichess, la disponibilité des checkpoints et les termes de licence peuvent changer sans préavis ; confirmez les détails actuels sur la page de chaque projet avant de vous y fier.