# Jev bringt Schach-Bot über 2200 Bullet-Punkte und spart Labels

> Das reine Wahrscheinlichkeitsmodell Jev wird zu einer kostengünstigen Bewertungsfunktion verdichtet. Damit steigt ein Stockfish-Bot auf Lichess über 2200 Punkte im Bullet-Schach; gemeinsam mit Qwen3‑32B erzeugte Labels sind zudem effektiver.

Oossa · 2026-10-08 · https://oossa.com/de/jev-model-helps-chess-bot-break-2200-bullet-rating-and-improves-label-efficiency

Forschende von TypeSafe haben Jev vorgestellt, ein Modell, das ausschließlich kalibrierte Wahrscheinlichkeiten ausgibt. Indem sie Jevs Einschätzungen in die Suche von Stockfish integrierten und zu einer schnellen Bewertungsfunktion verdichteten, brachten sie den Bot auf eine Bullet-Wertung von 2200 auf Lichess. Wird ein gemeinsames Labeling-Budget auf Jev und das große Sprachmodell Qwen3‑32B aufgeteilt, sind die kombinierten Labels etwa 9,6 Elo besser als Labels, die nur mit Qwen erzeugt wurden. Dieser Vorteil zeigt sich auch bei neuen Eröffnungen.

## Die Fakten

- Stockfish mit Jev übertraf auf Lichess eine Bullet-Wertung von 2200.
- Die Kombination von Jev- und Qwen3‑32B-Labels war um 9,6 Elo besser als Labeling nur mit Qwen (95-%-Intervall: 4,3–14,9).

## Warum es wichtig ist

Schachentwickler können stärkere Bots entwickeln, ohne auf teure LLM-Aufrufe angewiesen zu sein, und so Rechen- und Labelingkosten sparen.

## Quellen und Referenzen

1. [From Probabilities to Decisions: Search and Multi-Teacher Distillation with Jev](https://arxiv.org/abs/2610.09188) – arXiv, 2026-10-08
2. [Emo-Jev: Probabilistic Reasoning for Emotion Classification with Jev](https://arxiv.org/abs/2610.08829) – arXiv, 2026-10-08
3. [JevForest: Path Voting for Budgeted Feature Acquisition](https://arxiv.org/abs/2610.10615) – arXiv stat.ML, 2026-10-09
4. [Can a System-One LLM Perform Knowledge Tracing When Few or No Learners Are Logged?](https://arxiv.org/abs/2610.11135) – arXiv, 2026-10-09

Zuletzt aktualisiert: 2026-10-09