训练阶梯由二十五阶组成，从第 1 阶到第 25 阶。每阶都有明确的目标 Elo，间隔一百分：第一阶为 100，最后一阶为 2500。游戏代码中计算这个目标的函数，只是把阶数乘以一百。这些不是测得的评分，而是预先设定的目标，为初识终极井字棋的玩家提供清晰的阶梯。
页面本身也说得很清楚：在尚未进行校准对局时，当前选中的机器人旁会显示「临时 Elo」，而不是一个测得的数值。这是经过考虑的选择，并非随手勾选的承诺。二十五个机器人和两个参考基准都在等待一轮测量，之后显示的目标才可能成为实际测得的 Elo。这份坦诚是优点，不是需要遮掩的尴尬：它准确说明页面知道什么、还有什么未知，而不把假设包装成定论。
第 1 阶和第 25 阶的真正区别，可以在机器人的配置文件中核实，而不是靠营销承诺。整个阶梯有两项参数逐步变化：搜索模拟次数从 2 增至 64，温度从 1.6 降至 0.1。第一个数字表示算法在确定落子前会探索多少条落子序列：第 1 阶为 2 次，第 25 阶最多 64 次，也就是最高阶的探索量为最低阶的三十二倍。
第二项参数温度，决定最终选择有多接近搜索中评分最高的选项：高温度允许更多样的落子，低温度则几乎总会把选择集中到评分最高的候选上。这两个参数改变了机器人作决定的方式，但还没有提升支撑决定的判断质量：给每个局面评分的网络尚未训练，下一节会解释这一点。
引擎的设计是神经网络结合 MCTS（Monte Carlo Tree Search，蒙特卡洛树搜索）：网络将给出局面评估和有潜力的落子，搜索树再通过模拟后续落子序列检验这些判断。架构已经确定：主干由 4 个块组成，包含 32 个通道；策略头覆盖大棋盘的 81 个格子；价值头有 64 个隐藏单元。但目前，权重仍只来自随机数生成器。
二十五阶目前都指向同一个起点：在等待训练期间，整个阶梯共用同一套权重。计划先通过自我对弈训练，让网络与自己对局，生成自己的学习数据；然后进入晋级竞技场，让每个候选版本挑战此前的最佳版本；最后开展校准，测量每一阶在 Elo 评分尺度上的真实位置。这些都还没有发生。网络还没有学会下棋，仍在等待第一场训练对局。
选择阶位并不需要提前知道自己的水平。如果你只是想和 AI 下井字棋，不想等待真人对手上线，就从第 1 阶开始：这是阶梯最低的入口，升阶之前可以反复挑战，次数不限。阶位列表始终可用，不强制按顺序玩，但对不知道从哪里开始的人来说，沿着阶梯前进会更有方向。
页面的进度条显示你已经击败多少阶，列表中也会为每个已击败的阶位打勾。击败一阶后，最好挑战下一阶，而不是一次跳过好几阶：每阶只会小幅改变机器人搜索落子的方式，逐阶前进能让你有时间感受差别。开局前选择先手、后手或随机，也会改变游戏体验，但不会改变所挑战的阶位。