# Jev ayuda a un bot de ajedrez a superar los 2200 puntos en bullet

> El modelo Jev, basado únicamente en probabilidades y destilado en un evaluador económico, llevó a un bot de Stockfish por encima de los 2200 puntos en Lichess. Además, combinar sus etiquetas con las de Qwen3‑32B resultó más eficaz.

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

Investigadores de TypeSafe presentaron Jev, un modelo que solo devuelve probabilidades calibradas. Al integrar sus evaluaciones en la búsqueda de Stockfish y destilarlas en un evaluador rápido, el bot alcanzó una puntuación de 2200 en bullet en Lichess. Cuando el presupuesto para etiquetar datos se reparte entre Jev y el modelo de lenguaje grande Qwen3‑32B, las etiquetas combinadas superan en unos 9,6 puntos Elo a las obtenidas solo con Qwen, y la mejora también se repite con nuevas aperturas.

## Los hechos

- Stockfish mejorado con Jev superó los 2200 puntos en bullet en Lichess.
- Promediar las etiquetas de Jev y Qwen3‑32B superó en 9,6 puntos Elo el etiquetado solo con Qwen (intervalo del 95 %: 4,3–14,9).

## Por qué importa

Los desarrolladores de ajedrez pueden crear bots más potentes sin recurrir a costosas llamadas a modelos de lenguaje grandes, lo que reduce el gasto de cómputo y etiquetado.

## Fuentes y referencias

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

Última actualización: 2026-10-09