# Jev aide un bot d’échecs à dépasser 2200 en bullet

> Distillé en un évaluateur peu coûteux, le modèle Jev, qui ne fournit que des probabilités, permet à un bot Stockfish de dépasser 2200 sur Lichess et améliore l’efficacité d’un étiquetage combiné avec Qwen3‑32B.

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

Des chercheurs de TypeSafe ont présenté Jev, un modèle qui ne renvoie que des probabilités calibrées. En intégrant ses évaluations à la recherche de Stockfish, puis en les distillant dans un évaluateur rapide, le bot a atteint un classement de 2200 en bullet sur Lichess. Avec un budget d’étiquetage partagé entre Jev et le grand modèle de langage Qwen3‑32B, les étiquettes combinées surpassent d’environ 9.6 Elo celles produites par Qwen seul, et cet avantage se confirme avec de nouvelles ouvertures.

## Les faits

- Stockfish enrichi par Jev a dépassé un classement de 2200 en bullet sur Lichess.
- La moyenne des étiquettes de Jev et Qwen3‑32B a surpassé de 9.6 Elo l’étiquetage par Qwen seul (intervalle à 95 % : 4.3–14.9).

## Pourquoi c'est important

Les développeurs de moteurs d’échecs peuvent créer des bots plus performants sans recourir à des appels coûteux à des LLM, ce qui réduit les coûts de calcul et d’étiquetage.

## Sources et références

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

Dernière mise à jour: 2026-10-09