Hm, ich glaube, Ihr redet teilweise aneinander vorbei und dadurch werden Äpfel und Birnen verglichen.

Zum einen solltet Ihr festlegen, ob Stockfish 7 oder 8 verwendet wird, sonst werden Ergebnisse nicht nachprüfbar.

Zum anderen führt der Blundercheck mit einem Programm Y dazu, dass dieses Programm zum Maßstab allen Seins gemacht wird und nicht mehr die Stellung selbst. Wenn jetzt X einen anderen Zug macht als Y, dann wird ihm eine andere, auf jeden Fall nicht bessere Bewertung zugeordnet. Übersteigt die Differenz der Bewertung nun eine gewisse Schwelle, dann wird dieser Zug nicht mehr als "anders" sondern als "schlechter" bewertet. Es gibt aber immer die Gefahr, dass Y nicht recht hat und die Abweichung fälschlicherweise als Fehler eingestuft wird.

Bei der Überprüfung einer menschlichen Partie funktioniert es trotzdem ganz gut, denn Menschen machen am ehesten taktische Fehler und eine taktisch gleichmäßig geführte Partie ist selten. Die Bewertungen hingegen hängen davon ab, ob der Plan des Menschen von Y überhaupt als Bewertungsmuster abgedeckt wird. Dies kann man sehr schön bei Großmeisterpartien sehen, die teilweise keinen Zug in Übereinstimmung mit einer mitlaufenden Engine machen, die Bewertung sich aber über etliche Züge nur allmählich ändert. Und bei den üblichen Portalen läuft ja auch eine Engine nur bis zu einer bestimmten Grenze.

Die Überprüfung von Computerpartien ist anders, taktisch gibt es erst ab einer bestimmten Tiefe Löcher. Diese Tiefe kommt unterschiedlichen Programmen unterschiedlich vor (es werden Schach- oder Schlagzüge unterschiedlich vertieft, Nullmove ist unterschiedlich implementiert usw.), aber es ist charakteristisch und erst ab einem großen Spielstärkeunterschied kann man sich auf die Bewertung des einen Programms durch ein anderes verlassen.

Die Beispielpartie mit Rebel 12 zeigt, dass die Angabe von 3070 als Elo komplett außerhalb des Bereichs ist in dem die eingebaute Formel Gültigkeit hat. Rebel hat als damaliges Spitzenprogramm Bewertung und Suche auf die damalige Rechenleistung abgestimmt. Mehr Suchtiefe verbessert zwar das Spiel, aber nicht mehr so wie der Sprung zwischen geringeren Tiefen (Diminigishing Returns).

Es gibt im wesentlichen zwei Möglichkeiten, wie ein schwächeres Programm verliert: Entweder das stärkere Programm kann plötzlich einen taktischen Schlag führen, der nicht im Suchhorizont des schwächeren Programms aufgetaucht ist. Oder die schwächere Bewertung für zu im verkorksteren Stellungsbildern, die für etliche Züge noch taktisch gehalten werden, aber weitere Konzessionen eingehen. Ein Beispiel dafür ist die obige Partie des Berlin Pro mit seinem König auf a4.

Die Überprüfung einer Computerpartie ist also in Wirklichkeit eher ein Vergleich zweier Bewertungsfunktionen und deren Abstimmung auf die Suche. Und wenn jetzt die eine Suche begrenzt wird, dann steigt die Fehlerquote.