你复盘一盘棋时，最容易盯着那个醒目的评估分：黑优、白优，或者一个突然跳高的百分比。可真正让人困惑的常常是下一秒：棋盘上明明只多了一颗子，分数为什么像被人推了一把。要读懂它，先把目光从数字移到结构上。
评估分背后，先看谁掌握节奏
五子棋引擎给出的评估，通常会把当前一方的胜率、搜索深度或局面分合在一起呈现。数字看起来像结论，其实更像一张压缩后的地图：哪条线正在成形，哪处交叉点还能转身，哪一手会把对方逼进单选。
以 15 路棋盘为例，黑子在 H8、I8、J8，白子在 H7、I7。黑若走 K8，横线变成两端可延伸的活四；白方下一手大多只能去挡 G8 或 L8 之一。评估分在这里上扬，是因为 K8 这一手把对方的选择压窄了。
威胁比子数更敏感
人看棋时容易数子：三颗、四颗、再补一颗。引擎更敏感的是威胁的等级。眠三、活三、冲四、活四之间只差一两个交叉点，评估分却可能差很多，因为它们要求对手付出的防守代价不同。
再看一个小例子：黑子在 G8、H8、I8，白子已经占住 F8。黑若走 J8，形成右侧冲四，白只要 K8 一挡就能缓住；黑若另有 G9、H10 的斜线伏笔，J8 这手还可能同时打开第二条路。引擎会把这类连动算进去，分数因此不只反映一条线。
威胁空间搜索解释了逼迫感
如果只看名次，很容易把引擎理解成“谁算得更深”。公开赛事能提供参照，例如 Gomocup 官方结果页会整理历年比赛结果；看 2026 年也一样，先以官方成绩页为准，再去谈不同程序的风格差异。
它的重点很朴素：只沿着有强制性的威胁往前看。若一方每一步都在造冲四、活三、双威胁，另一方的应手范围会急剧缩小，搜索树也随之变窄。评估分的陡变，常常就发生在这种“分支突然少了”的时刻。
分数跳动，常因选择变少。
现代引擎常把两类能力接在一起：一类负责往前试走，另一类负责判断叶子局面值不值得继续。蒙特卡洛树搜索的基本框架可参照 Browne 等人的 综述论文；注意力模型的来源，则可追溯到 Vaswani 等人的 论文。
空间价值藏在交叉点里
放到五子棋里，搜索负责问“这手之后有哪些强制变化”，评估函数负责估计“这个形状长远是否有利”。一些学习型或实验性程序会借用蒙特卡洛树搜索与注意力模型的思路，去捕捉远距离棋形，再由搜索检验威胁是否成立；这并不等于所有五子棋引擎都采用同一套架构。
五子棋的好点不一定贴着已有棋子。有些点暂时不成三、不成四，却同时照顾横线、竖线和斜线。引擎会给这些交叉点较高权重，因为它们以后能转换成多种威胁。
例如黑子在 H8、I9，另有 G9；白子在 H9、J9。黑若走 I8，看上去只是补近身，却让 H8-I8-J8 的横线和 G9-H8-I7 的斜线同时有了影子。人类复盘时容易把它记成“厚”，引擎则会把可延展方向、阻挡成本和后续先手一起量化。
比赛结果只能告诉我们一部分
如果只看名次，很容易把引擎理解成“谁算得更深”。公开赛事能提供参照，例如 Gomocup 官方结果页会整理历年比赛结果；编辑讨论 2026 年结果时，也应以该官方页面公布内容为准，避免把传闻当成成绩。
但比赛排名无法直接说明某个局面为什么被高估或低估。一个引擎可能在开局库上更稳，另一个可能在中盘威胁转换上更强。把结果和具体棋例放在一起看，才知道差距落在搜索、评估，还是时间分配。
搜索与评估在同一盘棋里合作
现代引擎常把两类能力接在一起：一类负责往前试走，另一类负责判断叶子局面值不值得继续。蒙特卡洛树搜索的基本框架可参照 Browne 等人的 综述论文；transformer 评估网络的来源，则可追溯到 Vaswani 等人的 注意力机制论文。
放到五子棋里，搜索负责问“这手之后有哪些强制变化”，评估网络负责估计“这个形状长远是否有利”。有些实验性五子棋引擎会把蒙特卡洛树搜索与 transformer 评估结合使用，用注意力去捕捉远距离棋形，再由搜索检验威胁是否成立。
读评估分，也是在训练自己的眼睛
下一次看引擎复盘，可以少问一句“它为什么喜欢这一手”，多问几个更具体的问题：这手制造了几个必须防的点；它有没有保留两条以上的延展线；对方防住之后，先手还在谁手里。问题越具体，评估分越像解释。
五子棋的魅力正在这里：一颗子落下，棋盘表面很安静，底下的威胁、空间和先后手已经重新排队。试一局时，不妨把数字当作提示，把棋形当作答案。