Melhor Bot de Xadrez: o Que é o Maia, Quão Forte é e Onde Jogar

Se você está procurando o melhor bot de xadrez para treinar, é bem provável que alguém já tenha te indicado o Maia. Basta digitar BOT maia1 na busca do Lichess e você cai direto, de graça, contra uma rede neural que nunca tentou calcular o lance objetivamente mais forte do tabuleiro nem uma vez. Esse é o projeto Maia: uma família de modelos treinados para prever o que um humano de uma classificação específica jogaria de verdade, não o que um motor de xadrez jogaria. Já contamos a história completa de por que essa diferença importa, e por que um motor artificialmente enfraquecido erra de um jeito bem diferente do de uma pessoa real, em outro texto do nosso blog. Esta página aqui é a referência rápida e organizada: o que o Maia realmente é, como suas três gerações se diferenciam, se ele é mesmo gratuito, onde jogar contra ele hoje, e como ele se compara ao Stockfish.

Uma coisa antes de qualquer outra coisa. Se você chegou aqui buscando por "Maia Chess Open" ou por um torneio de xadrez em Maia, saiba que existe mesmo uma competição com esse nome, só que ela não tem nada a ver com inteligência artificial: é um torneio anual de xadrez com classificação FIDE, disputado na cidade de Maia, em Portugal, perto do Porto, e a edição de 2026 aconteceu de 21 a 29 de agosto, com seções Sub-2000 e Mestres. É um evento sério, com enxadristas de verdade jogando num tabuleiro físico, e é fácil misturar os dois porque uma busca por "maia xadrez" pode trazer junto resultados do torneio português e resultados do projeto de inteligência artificial descrito aqui. Se era o torneio que você procurava, esta não é a página certa. Se era um bot de xadrez para jogar ou treinar, você está no lugar certo: o resto deste texto é inteiramente sobre a IA, sem nenhuma relação com a cidade portuguesa além do nome compartilhado.

O que é o Maia

O Maia começou como um artigo acadêmico de 2020, "Aligning Superhuman AI with Human Behavior: Chess as a Model System", assinado por McIlroy-Young, Sen, Kleinberg e Anderson, apresentado na KDD 2020 e publicado como arXiv:2006.01855. A equipe era do Computational Social Science Lab da Universidade de Toronto, em parceria com a Universidade Cornell e a Microsoft Research. Essa autoria importa porque é comum ver esse projeto sendo atribuído erradamente à Carnegie Mellon University por aí; nenhuma fonte primária sustenta isso.

A ideia foi uma ruptura real com o jeito tradicional de construir motores de xadrez: em vez de enfraquecer a busca de um motor forte para chegar a uma classificação mais baixa, os pesquisadores treinaram um modelo direto em milhões de partidas humanas reais, então a saída dele reflete o que as pessoas realmente jogam. A primeira versão pública do Maia foi ao ar como bot do Lichess em dezembro de 2020 e foi usada em mais de 40 mil partidas só na primeira semana.

Como o Maia funciona, resumindo

Todo modelo Maia treina em partidas reais do Lichess, rotuladas pela classificação de quem fez o lance, e depois prevê, para uma posição e uma classificação alvo, a probabilidade de cada lance legal ser jogado em seguida. Suba a classificação alvo e a distribuição se desloca para os lances que jogadores mais fortes costumam escolher; abaixe e ela se desloca para os lances de jogadores mais fracos, erros incluídos. Isso é um problema de dados de treinamento, não de busca, e é também por isso que simplesmente limitar a profundidade de busca de um motor forte não reproduz o mesmo efeito. Não vamos repetir aqui todo o argumento de por que esse atalho falha, mas já exploramos isso com calma em outro texto do nosso blog.

As três gerações, comparadas

"Maia" hoje cobre três modelos distintos, publicados com seis anos de diferença entre o primeiro e o último, cada um medido contra partidas humanas reais pela precisão de correspondência de lances: com que frequência o lance previsto pelo modelo bate com o que um humano real daquela classificação realmente jogou em seguida, num conjunto de partidas separado para teste.

Duas coisas se destacam que nenhuma página de ranking mostra desse jeito. Primeiro, o salto do Maia-1 para o Maia-3 não é só um número maior: o artigo do Maia-3 descreve seu checkpoint de 79 milhões de parâmetros batendo um modelo anterior de 355 milhões de parâmetros que dependia de busca, usando menos de um quarto dos parâmetros. Segundo, a licença muda a cada geração, e não numa linha reta: GPL-3.0, depois MIT, depois AGPL-3.0, a mais restritiva das três.

O Maia-3 também vem em três tamanhos, não só um: maia3-5m com 5 milhões de parâmetros, descrito pelo CSSLab como ideal para um primeiro teste, uso em CPU e interfaces de xadrez comuns; maia3-23m com 23 milhões, para uma precisão melhor; e maia3-79m com 79 milhões, para a melhor precisão, o checkpoint por trás do número principal de 57,1%. A faixa de classificação de 600 a 2600 na escala do Lichess que o maiachess.com anuncia pertence a essa geração. O Maia-1 nunca cobriu essa faixa: suas nove redes iam só de 1100 a 1999.

O Maia é gratuito e de código aberto?

Todas as gerações são gratuitas para usar e o código de todas é público, mas o que "código aberto" permite não é uniforme entre elas. A licença MIT do Maia-2 é a genuinamente permissiva. A GPL-3.0 do Maia-1 não é nada permissiva: é copyleft forte, que obriga quem distribui uma versão modificada a liberar aquele código modificado sob os mesmos termos. A AGPL-3.0 do Maia-3 vai além ainda: ela carrega obrigações de uso em rede que as outras duas não têm, o que significa que uma versão modificada rodando como serviço em rede pode, por si só, gerar o dever de liberar aquele código modificado, não só uma cópia compilada. Essa é uma distinção real para quem for construir em cima do Maia-3, incluindo qualquer aplicativo que empacote um checkpoint, e vale a pena ler o texto real da licença em vez de supor que ela se comporta como as outras duas. Nada disso é aconselhamento jurídico, só uma diferença factual que uma página afirmando que o Maia é simplesmente "aberto e livre para usar do jeito que quiser" costuma deixar de fora.

Separado do código bruto, o CSSLab mantém o site maiachess.com no ar, uma plataforma completa e não só um ponteiro para um bot: Play, Analysis, Puzzles, Hand and Brain, Drills, e um jogo no estilo teste de Turing chamado Bot or Not. O login é feito com uma conta do Lichess e não existe nenhuma página de preço em lugar nenhum do site. Se seu único objetivo é jogar contra o Maia sem gastar nada, essa é uma alternativa gratuita genuína e completa, que vale a pena conhecer antes de pagar por qualquer produto que só empacota o mesmo modelo por trás.

Onde jogar contra o Maia, o bot de xadrez, em 2026

É aqui que a maioria das páginas fica vaga. Só o Maia-1 é jogável no mesmo dia em que você procura por ele, sem nenhuma configuração: BOT maia1, BOT maia5 e BOT maia9 são contas de bot ativas e no ar no Lichess hoje. O BOT maia1, treinado em partidas de 1100, carregava uma classificação clássica de 1643 em mais de 3,5 milhões de partidas desde fevereiro de 2020, conforme conferido em 28 de agosto de 2026. O BOT maia9, treinado em partidas de 1900, carregava 1789 em mais de 1,3 milhão de partidas na mesma data. Os dois oscilam conforme continuam jogando, então trate isso como uma fotografia de um momento específico. Procure qualquer um dos dois nomes no diretório de bots do Lichess e desafie direto com uma conta gratuita; toda partida contra bot lá é de graça.

O CSSLab não mantém nenhuma conta oficial de bot no Lichess nem para o Maia-2 nem para o Maia-3. Contas mantidas pela comunidade existem: em 28 de agosto de 2026, o único bot Maia-3 ativo que conseguimos encontrar era @maia3-79m_2200, operado por terceiros e não pelo laboratório, então a disponibilidade e a configuração dele não são responsabilidade formal de ninguém em particular. O próprio repositório do Maia-2 no CSSLab diz abertamente que o Maia-3 é o recomendado para projetos novos, e o repositório do Maia-3 só traz instruções de instalação local, clonar, instalar, rodar como motor UCI, sem menção nenhuma a uma implantação no Lichess. Na prática, isso deixa três caminhos honestos até as gerações mais novas: rodar o código você mesmo a partir do GitHub ou do Hugging Face, usar a própria página de jogo do maiachess.com, ou usar um aplicativo que empacote um checkpoint direto no dispositivo. Contas de bot da comunidade aparecem e somem sem aviso, então reconfirme qualquer uma que você encontrar perto da data em que estiver lendo isso.

Maia vs Stockfish: qual é a diferença de verdade

Não são duas respostas concorrentes para a mesma pergunta. O Stockfish, hoje na versão 18, lançada em 31 de janeiro de 2026, analisa uma posição e devolve o lance que calcula como objetivamente mais forte, não importa quem tenha que jogá-lo em seguida. A rede NNUE dele foi reconstruída para esse lançamento; o próprio anúncio de lançamento do Stockfish afirma um ganho de até 46 pontos de Elo sobre o Stockfish 17; o número absoluto de cerca de 3653 no CCRL 40/15 single-CPU vem de agregadores externos, não do próprio projeto. O Maia faz uma pergunta diferente: dada uma posição e uma classificação alvo, o que um humano jogaria de verdade, erros incluídos. Nenhum dos dois modelos é "melhor" em nenhum sentido que sobreviva a uma comparação direta entre os dois.

Mais um detalhe importante: a mesma arquitetura Chessformer também foi integrada ao Leela Chess Zero, só que ali com foco puro em força de jogo, não em previsão de lance humano, e nesse uso ela somou mais de 100 pontos de Elo e rendeu vitórias em torneio contra o Stockfish. Esse é um uso separado da arquitetura, voltado para força bruta, diferente dos checkpoints do Maia3 que preveem lances humanos e que são descritos em todo o resto deste texto. Confundir os dois atribuiria ao Maia3 uma afirmação de força que ele nunca faz sobre o próprio jogo.

Quão forte é o Maia, de verdade

A precisão de correspondência de lances, de 46 a 52 por cento para o Maia-1, 53,25 por cento para o Maia-2, 57,1 por cento para o Maia-3, mede com que frequência o modelo prevê o que um humano real realmente jogou em seguida, num grande conjunto de partidas separado para teste. A própria pesquisa do Maia-1 também relata que ele prevê corretamente erros grosseiros humanos, como deixar a dama pendurada e enganos parecidos, mais de 25 por cento das vezes: prevendo o erro, não só o bom lance, algo para o qual um motor convencional não tem equivalente nenhum.

Nada disso te dá uma única classificação Elo, porque o Maia é condicionado por classificação por natureza, e o rótulo que um bot carrega não é uma garantia rígida de como ele realmente joga. Jogadores reais nos próprios fóruns do Lichess apontam isso diretamente: tem gente descrevendo o BOT maia1, nominalmente classificado em 1100, como um adversário visivelmente mais forte do que esse número sugere, um deles resumindo assim: "Até o maia 1100 parece jogar bem forte, bem acima de uma classificação 1100." A própria documentação do repositório do CSSLab reconhece essa diferença e explica por que os bots jogam acima do rótulo que carregam. O resumo honesto: o Maia joga mais parecido com um humano real de um determinado nível do que um motor com profundidade limitada, e não é um clone perfeitamente calibrado de um jogador exatamente naquela classificação.

Nós mesmos rodamos nossos próprios números para uma pergunta bem diferente, usando nosso próprio pipeline em 28 de agosto de 2026: o maia3-js rodando o checkpoint maia3-5m, o modelo pequeno que roda direto no dispositivo, contra o final do Jogo da Ópera, Morphy contra o Duque de Brunswick e o Conde Isouard, Paris 1858, com o Stockfish 17 em profundidade 20 e MultiPV configurado para todo lance legal. Chamamos essa métrica de Encontrabilidade: a probabilidade que o Maia3 atribui ao lance específico que o Stockfish classifica como o melhor, em sete auto-classificações diferentes. Isso não é precisão de correspondência de lances e não deve ser comparado ao número de 57,1 por cento citado acima; precisão de correspondência de lances mede se o Maia prevê o que um humano realmente jogou; Encontrabilidade mede a probabilidade que o Maia atribui ao que o motor chama de objetivamente correto. É uma única partida, pontuada de forma exaustiva em vez de amostrada de forma ampla, então trate os números como uma ilustração, não uma afirmação sobre a população inteira de jogadores.

A coluna de 14.Rd1 é a versão limpa e esperada do condicionamento por classificação: a Encontrabilidade sobe de forma constante, de 36,70 por cento em 1000 para 81,11 por cento em 2200, com configurações mais fortes encontrando a escolha do próprio motor cada vez mais. A coluna de 13...Nxd7 vai na direção contrária. Quanto mais alta a classificação configurada, menor a probabilidade de o Maia3 jogar a recaptura de cavalo recomendada pelo próprio motor, caindo de 4,57 por cento em 1000 para 1,18 por cento em 2200. Isso não é ruído. A alternativa, a recaptura humana de torre 13...Rxd7, que foi de fato jogada em 1858, fica cada vez mais dominante conforme a classificação sobe, de 92,26 por cento até 96,34 por cento. Configurações mais fortes ficam mais seguras sobre o lance que o motor rejeita, não menos. O Stockfish prefere a recaptura de cavalo por quase um peão inteiro, e quanto mais forte o jogador, mais confiavelmente ele recaptura com a torre mesmo assim. Isso é exatamente o tipo de coisa que uma avaliação pura de motor não consegue te mostrar.

Fazendo a média entre as sete posições não forçadas e não triviais daquele mesmo final, a Encontrabilidade média fica quase estável: 16,83 por cento em 1000, 16,38 por cento em 1400, 17,65 por cento em 2200. Não leia isso como "classificação não ajuda a encontrar bons lances." Significa que a classificação ajuda muito em algumas posições, como no 14.Rd1 acima, e trabalha ativamente contra a escolha preferida do motor em outras, como no 13...Nxd7, e um único número médio acaba cancelando os dois efeitos sem que você perceba. Publicamos o detalhamento completo das sete posições e a metodologia, incluindo uma segunda posição onde o mesmo padrão se repete em torno de um mate forçado que passa despercebido, em outro texto nosso sobre o que a análise de xadrez consegue e não consegue te dizer.

Como rodar o Maia você mesmo

Para o Maia-1, não tem nada para instalar; o código dele vive em CSSLab/maia-chess sob GPL-3.0, mas para jogar contra ele basta usar os bots do Lichess descritos acima.

Para o Maia-2, clone CSSLab/maia2 do GitHub, licenciado sob MIT. A própria documentação do CSSLab lá recomenda o Maia-3 para projetos novos, então trate o Maia-2 como a geração para conhecer a história, não a que você deveria usar como base hoje.

Para o Maia-3, clone CSSLab/maia3, licenciado sob AGPL-3.0. Escolha um checkpoint para o seu caso: maia3-5m para hardware comum e interfaces gráficas de xadrez padrão como motor UCI, maia3-23m para um salto de precisão, ou maia3-79m, também disponível no Hugging Face como UofTCSSLab/Maia3-79M com sua própria ficha de modelo licenciada em AGPLv3, para a melhor precisão ao custo de mais poder computacional. A ficha de modelo declara com clareza a janela de treinamento: partidas do Lichess de janeiro de 2023 a julho de 2025.

O Chessdrive, o aplicativo que construímos, segue o caminho empacotado: ele traz o checkpoint maia3-5m embutido, rodando inteiramente no dispositivo como adversário, e roda o Stockfish separadamente, depois da partida em vez de durante ela, para revisar o que aconteceu. Essa combinação, um previsor de lances humanos como adversário e um motor de melhor lance para a revisão, preenche a lacuna entre a pesquisa estar disponível de graça e dar para jogar contra ela com o resultado explicado num único lugar. É uma lacuna que um produto empacotado pode fechar sem tornar a pesquisa em si exclusiva; os caminhos descritos acima continuam sendo os gratuitos.

Última verificação: 28 de agosto de 2026, contra as fontes citadas acima e contra a própria saída do Maia3 gerada pelo Chessdrive descrita neste artigo. Contas de bot no Lichess, disponibilidade de checkpoints e termos de licença podem mudar sem aviso; confirme os detalhes atuais na própria página de cada projeto antes de confiar neles.