KataGo

除了開放原始碼與開放資料以外，KataGo與AlphaZero主要差異在於透過研究大幅降低了初期自我訓練的成本[7]，使得一般家用的高階電腦可以在數天內，從零訓練出一個具有中高段水準的業餘高手水準的訓練網路[1]。

KataGo與Leela Zero的主要差異在於，KataGo的GTP引擎支援了kata-analyze指令，可以讓前端的程式（像是Lizzie）取得KataGo的目數分析，這可以輔助人類棋手判斷，減輕讓子棋中黑棋不會下出最好的選擇的問題[1]。

另外一個差異是KataGo同時支援OpenCL（自v1.2支援[9]）與CUDA[1]（在OpenCL上，最新版本做了優化，不再是CUDA版本快數倍，而是兩個版本相差無幾），但Leela Zero只支援OpenCL[10]。

第一個版本（編號g65，v1.0）是在2019年二月使用35顆NVIDIA Tesla V100訓練7天，從6 blocks x 96 filters訓練到15 blocks x 192 filters[11]，棋力大約與LZ130（Leela Zero的第130代）相符[12]，大約是超越人類的強度[1]。

第二個版本（編號g104，v1.1）是在2019年五月與六月使用28顆NVIDIA Tesla V100訓練，從6 blocks x 96 filters訓練到20 blocks x 256 filters[13]，由於大幅改善了超參數（），只使用了3.5天就超越第一版的棋力[1][14]，另外引入了LCB（英語：）大幅提昇了棋力[14]。最後訓練了19天產生出20 blocks的版本，棋力超越了LZ-ELFv2（ELF OpenGo的v2權重配上Leela Zero的程式），另外與Leela Zero 40 blocks版本的比較，大約落在LZ200的棋力[1]。

第三個版本的訓練一開始使用29個GPU，到第14天後增加為37個GPU，再24天後（38天）增加為47個GPU[1]。

自v1.5.0[16]開始支援純CPU運算（使用Eigen函式庫）。並自v1.8.0版開始支援分佈式訓練，允許全球的用家訓練為作者訓練權重。