# مدل Jev ریتینگ بولت شطرنج را از ۲۲۰۰ فراتر برد

> مدل احتمالات‌محور Jev که به یک ارزیاب کم‌هزینه تبدیل شده، ربات Stockfish را در Lichess به ریتینگ بالای ۲۲۰۰ رسانده و کارایی برچسب‌گذاری ترکیبی با Qwen3‑32B را افزایش داده است.

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

پژوهشگران TypeSafe مدل Jev را معرفی کردند؛ مدلی که فقط احتمالات کالیبره‌شده ارائه می‌دهد. با واردکردن ارزیابی‌های Jev در جست‌وجوی Stockfish و فشرده‌سازی آن‌ها در قالب یک ارزیاب سریع، ریتینگ بولت ربات در Lichess به ۲۲۰۰ رسید. وقتی بودجه برچسب‌گذاری میان Jev و مدل زبانی بزرگ Qwen3‑32B تقسیم شد، برچسب‌های ترکیبی حدود ۹٫۶ امتیاز Elo بهتر از استفاده از Qwen به‌تنهایی عمل کردند و این مزیت در گشایش‌های تازه نیز تکرار شد.

## حقایق

- Stockfish تقویت‌شده با Jev در بخش بولت Lichess از ریتینگ ۲۲۰۰ عبور کرد.
- میانگین‌گیری از برچسب‌های Jev و Qwen3‑32B، برچسب‌گذاری صرفاً با Qwen را ۹٫۶ امتیاز Elo بهبود داد (بازه ۹۵درصدی: ۴٫۳ تا ۱۴٫۹).

## چرا مهم است

توسعه‌دهندگان شطرنج می‌توانند بدون تماس‌های پرهزینه با مدل‌های زبانی بزرگ، ربات‌های قوی‌تری بسازند و در هزینه محاسبات و برچسب‌گذاری صرفه‌جویی کنند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-09