← SupaChess

SupaChess · Archives et analyse reproductible

La précision des champions

Compare les parties de Fischer, Tal, Kasparov, Carlsen et d’autres joueurs avec une analyse Stockfish identique.

Des mesures calculées, pas des chiffres devinés

Les archives fournissent des parties PGN, mais pas des scores de précision ou d’ACPL calculés de façon uniforme. Choisis un joueur, importe son PGN, puis lance l’analyse locale. Les résultats seront enregistrés dans ce navigateur; les parties ne sont pas envoyées à un serveur.

Précision moyenne

Moyenne des précisions estimées demi-coup par demi-coup avec la formule décrite par Lichess ↗. Ce n’est pas le score global d’une partie Lichess, dont l’agrégation est différente.

ACPL

Perte moyenne en centipions : évaluation du meilleur coup trouvé par le moteur moins l’évaluation après le coup joué. Plus l’ACPL est bas, mieux c’est dans cet échantillon.

Comparaison équitable : conserve le même moteur, le même temps par position et le même nombre de parties pour chaque joueur. Les résultats dépendent du corpus, de la profondeur effectivement atteinte et des positions; ils ne sont ni un Elo ni une mesure officielle.

Classements historiques publiés : ACPL et précision ajustée

Ces chiffres proviennent de deux méthodes et de deux échantillons différents. Ils servent de repères documentés : ils ne sont pas comparables directement entre eux et ne constituent pas un classement universel de tous les joueurs ni de toutes leurs parties.

Erreur moyenne en championnat du monde — équivalent en centipions

L’étude ICSEA 2019 compare les coups des matchs de championnat du monde de 1886 à 2018 à Stockfish 10, à profondeur 28. Les auteurs rapportent une erreur moyenne en pions; le tableau la multiplie par 100 et l’exprime en centipions. Cette mesure est proche de l’ACPL, mais nous conservons le nom « erreur moyenne » utilisé dans l’étude.

Les 20 plus faibles erreurs moyennes parmi les joueurs recensés par l’étude — plus bas signifie plus proche de l’évaluation moteur.
RangJoueurErreur moyenne
1Magnus Carlsen6,74 cp
2Fabiano Caruana7,09 cp
3Sergueï Kariakine7,68 cp
4Peter Leko7,82 cp
5Vladimir Kramnik8,79 cp
6Viswanathan Anand9,88 cp
7Garry Kasparov10,00 cp
8Levon Aronian10,35 cp
9Gata Kamsky10,36 cp
10Boris Gelfand10,54 cp
11Veselin Topalov10,64 cp
12José Raúl Capablanca10,74 cp
13Bobby Fischer10,76 cp
14Anatoli Karpov10,93 cp
15Viktor Kortchnoï11,64 cp
16Tigran Petrossian11,99 cp
17Peter Svidler13,23 cp
18Boris Spassky13,47 cp
19Jan Timman14,34 cp
20Alexandre Alekhine14,43 cp

Limites de l’échantillon : les 12 premiers demi-coups (six coups de chaque camp) sont exclus. L’analyse s’arrête lorsqu’un camp a atteint une position gagnante d’au moins deux pions, mais continue pour le camp qui est perdant. L’étude porte sur près de 1 000 parties de championnat, pas sur l’ensemble des carrières.

Source : Romero, Parra, Cuenca et Lloret, ICSEA 2019 · résumé et méthode ↗ · PDF complet ↗.

« Quality » Chess.com aux périodes de pointe — score ajusté

Cette mesure reprend les scores d’exactitude Chess.com pour les parties décisives pendant les périodes de pointe indiquées par l’auteur, en retirant 1,5 point au gagnant et en en ajoutant 1,5 au perdant. Les nulles sont exclues. Ce n’est ni une précision moyenne brute de carrière, ni une conversion d’ACPL.

Scores « Quality » publiés, rangés du plus élevé au plus bas.
RangJoueurPériodeQuality ajustée
1Magnus Carlsen2013–202193,23 %
2Garry Kasparov1993–200192,76 %
3Bobby Fischer1970–197292,52 %
4Ian Nepomniachtchi2020–202292,32 %
5Vladimir Kramnik2000–200792,31 %
6Viswanathan Anand2007–201492,25 %
7Veselin Topalov2005–200992,16 %
8Anatoli Karpov1974–198491,82 %
9Mikhaïl Tal1958–196091,39 %
10Vassily Smyslov1953–195791,09 %
11Tigran Petrossian1963–196990,94 %
12Mikhaïl Botvinnik1948–195590,74 %
13Alexandre Alekhine1927–193490,60 %
14José Raúl Capablanca1921–193190,24 %
15Emanuel Lasker1907–191489,95 %

À noter : Fabiano Caruana n’est pas inclus dans cette liste Chess.com : l’auteur indique que son match de championnat 2018 n’a produit aucune partie classique décisive, et qu’il n’avait donc pas assez de parties admissibles. Les rangs 4 et 5 sont triés correctement : 92,32 % précède 92,31 %. 91,09 % est la valeur publiée pour Smyslov.

Source : Chess.com, « Accuracy, Ratings, and GOATs » · méthode et scores ↗. Lichess rappelle qu’il n’existe pas de formule universelle d’exactitude ↗.

Analyser un corpus PGN

Trouver des archives PGN gratuites ↗

Sur PGN Mentor, ouvre « Players », télécharge l’archive du joueur, décompresse le ZIP, puis sélectionne le fichier .pgn. L’échantillon utilise les premières parties valides du fichier contenant ce joueur.

Sélectionne un PGN pour commencer. Stockfish tourne sur ton appareil.

Mes résultats de comparaison

Chaque ligne indique l’échantillon réellement analysé et les réglages utilisés.

JoueurPartiesDemi-coups évaluésPrécision moyenneACPLProfondeur moy.RéglagesDernière analyse
Aucune analyse enregistrée sur cet appareil.

Top ranking · chaque indicateur calculé

Le classement compare uniquement les analyses ayant le même moteur et le même temps par position. Les parties et positions restent des échantillons différents; lis toujours les colonnes de contexte avant de comparer.

Les catégories reprennent les seuils de SupaChess; « brillant » n’est pas classé ici, car il faut confirmer le sacrifice dans une variante complète.

Analyse au moins deux joueurs avec les mêmes réglages pour établir le classement.

Classement local des analyses disponibles
RangJoueurIndicateurPartiesDemi-coupsProfondeur
Aucune analyse compatible enregistrée.

Les résultats restent dans le stockage local du navigateur. Ils ne contiennent ni PGN ni compte utilisateur.

Joueurs historiques présents dans l’archive

Nombre de parties annoncé par PGN Mentor pour ses fichiers joueurs; ce ne sont pas des résultats d’analyse moteur. Catalogue consulté le 1 novembre 2026, page indiquée comme mise à jour en juillet 2026.

Source : PGN Mentor · téléchargements PGN gratuits ↗. Les corpus peuvent contenir des parties de périodes, cadences et niveaux d’adversaires différents.