国际象棋的等级分体系长期以Elo为gold standard，但Elo只依赖对局胜负结果来更新分数，忽视了每一步棋的实际质量，因此在棋手水平快速变化时会出现明显的响应滞后。为缓解这一问题，一篇被IEEE Conference on Games（IEEE CoG）2026接收的论文提出了漂移扩散增强Elo等级分系统（DD-Elo），尝试把逐手棋的信息纳入评分调整。该论文题为《Accelerating Skill Assessment in Chess: A Drift-Diffusion-Enhanced Elo Rating System》，作者为Tianyuan Zhou等三人，于2026年6月24日提交至arXiv，编号2606.26267v1，归类为人工智能（cs.AI），全文约2,247 KB，并以公开代码形式提供实现，仓库地址为https://github.com/Aquila-zhou1/DD-Elo。
论文作者指出，直接把逐手信息用于等级分调整并不容易。一方面，单步棋的评估噪声很大，单步失误未必代表整体水平下降；另一方面，棋局状态空间极为庞大，难以用简单方式把每一步的质量映射为评分信号。为此，DD-Elo从认知神经科学的漂移扩散模型（DDM）中汲取灵感，把棋手的技能表达建模为一个决策过程：每一步棋被视为在证据累积过程中做出的选择，而DDM中的漂移率、扩散等参数可以刻画决策的速度与稳定性，从而捕捉棋手技能在短时间内的波动。
在理论层面，论文给出了严格的数学推导，证明DD-Elo相对于传统Elo的偏差是有界的。这意味着新系统虽然引入了逐手级别的信息，但不会偏离Elo的基本框架过远，从而保证与既有评分体系的理论一致性。作者强调，这种设计使DD-Elo具备可解释、响应迅速且向后兼容的特点，可在现有国际象棋评分生态中落地，而不必彻底替换Elo。
实验部分，作者进行了大量测试，结果显示DD-Elo在适应棋手技能变化方面快于传统Elo。这一结果对应了论文的核心动机：当棋手状态出现快速上升或下滑时，仅依赖胜负的Elo需要更多对局才能反映出变化，而DD-Elo借助逐手数据可以更早捕捉到技能波动。论文同时说明，逐手数据的噪声和状态空间规模仍是需要谨慎处理的问题，模型的设计正是为了在这种高噪声环境下保持稳定。
综合来看，该研究把认知建模与经典评分系统结合，为国际象棋等级分提供了一条兼顾响应速度与理论一致性的改进路径。其公开实现也为后续复现和扩展提供了基础。论文提交时间为2026年6月24日18:08:45 UTC，第一版为v1，DOI为10.48550/arXiv.2606.26267，由DataCite发放（注册尚待完成）。