本文公开全部输入参数：计算一个三人示例，核对各名次概率及奖金权益的合计，比较同一位中等筹码玩家参与的两种简化全下对决，再分别调整奖金分配和筹码量。这些示例仅用于教学，并非真实锦标赛的全下/弃牌建议。
ICM 模型涵盖的内容——以及它忽略的内容
ICM 采用一个 筹码量向量 和一个 奖金梯度表。它为每位玩家分配在各名次中完赛的概率，然后将每个名次的概率乘以该名次的奖金。 在基本模型中，获得第一名的概率等于该玩家的筹码量除以所有在赛筹码总量。在玩家获得第一名这一条件下，该筹码量将不再纳入计算，剩余玩家的相对筹码量将决定第二名的归属；同样的逻辑沿名次梯度依次推演。
该模型假设玩家在本次计算中技能相当，且未来的名次概率可通过这些筹码比例来表示。 该模型并未直接纳入位置优势、不同的牌技水平、不断变化的盲注、牌桌动态，或特定对手的底牌。 这只是基于模型的估算，并非特定玩家获胜的实际概率。GTO Wizard 在其关于基础 ICM 的讨论中指出了这些被忽略的因素。
筹码期望值（EV）与奖金权益并非同一计量单位
在没有抽水或其他复杂因素的现金游戏中，多出的一枚筹码具有直接的现金价值。而在锦标赛中，筹码的作用是用于争夺奖金梯度；它们不能按面值自由兑换成现金。假设第一、第二和第三名分别获得 55、27 和 18 个奖池单位。 在这个仅剩三名玩家的场景中，每位幸存玩家都已确保至少获得18个奖池单位。赢得更多筹码可以提高夺冠概率，但这只会改变你在固定100单位奖池中的份额，而不会改变奖池的总规模。
筹码期望值（EV）衡量的是预期筹码变动量。ICM奖金期望值（EV）（通常写作 $EV）衡量的是在模型将每个可能的最终筹码量向量映射到奖金后，预期的奖金份额。此处的奖金是抽象的奖单位，并非关于真实货币奖金或买入额的陈述。 这两项指标都需要明确的时间点：我们是在比较“现在弃牌”与“现在跟注”，还是比较“牌局结束后的筹码量”？在任何EV论断具有意义之前，必须提供决策的筹码结果、其概率以及奖金分配表。
所有输入参数均已披露的三人对局计算
玩家 A、B 和 C 分别持有 460、340 和 200 筹码，总计 1,000。 第一、第二和第三名的奖金分别为 55、27 和 18 单位，总计 100。本模型未考虑赏金、抽水、重新买入、未来盲注或技术差异等因素。这些是虚构的教学数据，并非真实锦标赛结果。
夺冠概率可直接计算：A 460/1000 = 46%，B 340/1000 = 34%，C 200/1000 = 20%。 要计算获得第二名的概率，需要考虑谁获得了第一名。例如，如果 B 获得第一名，而 A 在剩余的 660 个筹码中胜出，或者如果 C 获得第一名，而 A 在剩余的 800 个筹码中胜出，那么 A 就会获得第二名：
P(A second) = (340/1000 × 460/660) + (200/1000 × 460/800)
= 0.2369696970 + 0.115 = 0.3519696970，即 35.196970%。获得第三名的概率为剩余的 18.803030%。 对 B 和 C 重复上述分支计算。
| 玩家 | 筹码 | 第一名 | 第二名 | 第三名 | ICM 奖金权益 |
|---|---|---|---|---|---|
| A | 460 | 46.000000% | 35.196970% | 18.803030% | 38.187727 |
| B | 340 | 34.000000% | 37.462963% | 28.537037% | 33.951667 |
| C | 200 | 20.000000% | 27.340067% | 52.659933% | 27.860606 |
| 检查 | 1,000 | 100% | 100% | 100% | 100.000000 |
A的权益为 0.46×55 + 0.3519696970×27 + 0.1880303030×18 = 38.187727 单位。 采用相同方法可得出 B 和 C 的数据行。每位选手的三种名次概率之和为 100%；每列的完赛名次概率之和为 100%；三项权益之和即为 100 单位的奖池总额。这些验证方法比单纯复制计算器显示的最终数值更为严谨。
中等筹码量对阵领头羊：筹码期望值（EV）为正，奖金期望值（EV）为负
保持相同的三人筹码量及 55/27/18 的奖金分配。现在假设中筹码玩家 B 用自己的340筹码与领先者 A 全下对决，且没有死钱、前注或边池。如果 B 获胜，牌局结束后筹码量为 A 120，B 680，C 200，B 的模型奖金权益为 45.524545。若 B 输掉，筹码量为 A 800，B 0，C 200；B 获得第三名的 18。不参与此次对决时，B 的基准权益为 33.951667。
设 w 为 B 在本次全下中获胜的假设概率（不考虑平局）。获胜时其筹码变动为 +340，失败时为 −340，因此筹码EV的盈亏平衡胜率为50%。这次对决的模型奖金EV为 w×45.524545… + (1−w)×18。令其等于基准值 33.951667…，可得：
w = (33.951666… − 18) / (45.524545… − 18) ≈ 57.9543%。
以一个示例值 w = 56% 计算，筹码期望值 (EV) 为 0.56×340 − 0.44×340 = +40.8 chips。模型奖金期望值为 0.56×45.524545… + 0.44×18 = 33.413745 单位，比静态无竞争基准低 0.537921 单位。因此，在这个精确的三人模型中，筹码正向的赌博在 ICM 意义上可能是负面的。 这并非主张面对56%的全下就应始终弃牌：实际决策还需考虑盲注、位置、牌型范围、赔付条件以及替代方案等因素，而上述简化比较并未包含这些因素。
| B 面对 A 时的选择或结果 | 由此产生的 A/B/C 筹码量 | B 筹码变动 | B 的模型奖金权益 |
|---|---|---|---|
| 不参与对决时的基准 | 460 / 340 / 200 | 0 | 33.951667 |
| B 赢得 340 筹码的对决 | 120 / 680 / 200 | +340 | 45.524545 |
| B在对决中落败 | 800 / 0 / 200 | −340 | 18.000000 |
| 胜率56%的对决 | 胜负结果同上 | +40.8 EV筹码 | 33.413745奖金EV单位 |
相同胜率，不同风险筹码量
仅改变对手和 B 方冒的风险筹码量：假设 B 方改以 200 筹码 对抗 C 方，同样没有死钱，并赋予相同的假设胜率 56%。A 方的筹码量保持在 460。 若 B 获胜，筹码量变为 460 / 540 / 0，B 的模型预期奖金权益为 42.120000。若 B 输掉，筹码量变为 460 / 140 / 400， B的权益为25.093333。获胜时C被淘汰、失败时B幸存的情况，形成了与B对阵A时截然不同的回报-风险特征。
在此，筹码期望值（EV）的盈亏平衡点仍为50%。模型中的奖金期望值（EV）阈值为 (33.951666… − 25.093333…) / (42.12 − 25.093333…) ≈ 52.0262%。 当胜率达到56%时，B可获得24个预期筹码，并达到34.628267个预期奖池单位，比静态基准高出0.676600。 其中的差异并不在于 C 总是更好的目标：我们保持了假设的获胜份额恒定，以孤立筹码量、结果和奖金计算。实际的获胜份额、范围、牌桌位置以及每次对决的成本需要单独的证据。
| B 的假设对决 | 风险筹码 | 奖金EV盈亏平衡胜率 | B 在 56% 时的筹码EV | B 在 56% 时的奖金EV | 与基准的差异 |
|---|---|---|---|---|---|
| 对阵 A | 340 | 57.9543% | +40.8 | 33.413745 | −0.537921 |
| 对阵 C | 200 | 52.0262% | +24.0 | 34.628267 | +0.676600 |
改变一个输入参数，观察结果的变化
结果并非通用的“ICM百分比”。保持筹码量为 460/340/200，但将奖金梯度从 55/27/18 改为 70/20/10。由于筹码量未变，名次概率保持不变。 但奖金权益发生了变化：A 41.119697，B 34.146296，C 24.734007。 总和仍为100。这种更偏向前段的结构会更大力度地奖励夺冠概率；但不会追溯性地改变夺冠概率。
或者，保持奖金分配比例为 55/27/18，但将相同的 1,000 筹码重新分配为 520/280/200。此时，冠军概率和条件下的后续名次概率都会发生变化。 权益值变为 A 40.230000、B 31.720000、C 28.050000，总和仍为 100。这些是敏感性分析示例，并非对特定玩家表现的预测。
| 受控情景 | 筹码量 A/B/C | 第一/第二/第三名奖金 | A 权益 | B 权益 | C 权益 |
|---|---|---|---|---|---|
| 基准 | 460 / 340 / 200 | 55 / 27 / 18 | 38.187727 | 33.951667 | 27.860606 |
| 仅奖金结构变化 | 460 / 340 / 200 | 70 / 20 / 10 | 41.119697 | 34.146296 | 24.734007 |
| 仅筹码量变化 | 520 / 280 / 200 | 55 / 27 / 18 | 40.230000 | 31.720000 | 28.050000 |
基本ICM模型需谨慎使用时
在锦标赛早期，当奖金线尚远且剩余选手众多时，为每个行动计算完整的奖金权益可能不如三人示例那样直观。模型仍有明确的输入参数，但微小差异的战略重要性取决于实际赛制。请勿将上述盈亏平衡胜率套用到其他赛事、奖金分配或筹码结构中。
接近泡沫期或奖金跳级时，失去筹码可能带来显著的奖金损失。但赏金、卫星赛、选手筹码量相近、各桌同步完成一手后再发下一手的流程（hand-for-hand），以及由座位决定的后续盲注，都可能影响决策目标。简单的 55/27/18 模型并非赏金或卫星赛模型。GTO Wizard 的 ICM 基础文章 特别提醒，其简单公式中并未包含技术水平、位置和不断上涨的盲注等因素。
在牌桌上，你不能仅凭筹码与奖池的转换率来推断决策。 你仍需考虑面对可信牌型范围时的底牌权益、可行的替代打法、决策成本以及游戏过程中工具使用的操作规则。桌外ICM计算器可辅助学习；其计算结果并不构成游戏过程中使用辅助工具的许可。ICM将筹码结果转换为模型化的奖金权益；它并不计算跟注的成本。
对于已结束的手牌，手牌复盘表有助于将决策及其已知输入与最终结果区分开来； 该过程既不验证ICM模型的正确性，也不授权在实战中使用相关工具。
快速解答
ICM代表什么？ 独立筹码模型（Independent Chip Model）：一种将锦标赛筹码量和奖金分配映射为预计名次概率及奖金权益的数学模型。
锦标赛筹码能按面值兑换奖金吗？ 不能。示例中持有340筹码的中等筹码玩家，其模型奖金权益是总计100奖金单位中的33.951667单位，不是“340现金单位”。现金局筹码与奖金阶梯不是同一种价值计算。
筹码EV为正的跟注，ICM奖金EV可能为负吗？ 在明确的模型中可以。本例假设B有56%的获胜概率、冒340筹码风险，相对静态基准得到+40.8预期筹码，却减少0.537921奖金单位。同样的假设胜率、不同的对手筹码量下，奖金EV的正负会翻转。这些数字只适用于文中给定的筹码量、奖金结构和无死钱假设。
哪些错误会导致基础 ICM 比较产生误导？ 将筹码数量视为现金价值、将假设的获胜概率当作已观测到的对手范围，或将此奖金梯度套用到赏金赛或卫星赛中。在比较筹码期望值与模型奖金期望值之前，应明确说明筹码量、奖金、比赛结果及未考虑的因素。
ICM 输出结果是否代表夺冠的真实概率？ 不是。这是基于模型、在技能均等假设下从筹码份额推导出的概率。未来的实际比赛结果并非由这个单一数字决定。
来源与适用范围
- GTO Wizard: ICM Basics — 解释按筹码估计名次概率与奖金权益，以及未纳入技术、位置和盲注变化的前提。它是模型参考，并非本文假设赛事输入的来源。
460/340/200筹码、55/27/18奖金和两场56%对抗均为原创教学假设，可按文中步骤复算，并非实测赛事结果。