# Jev मॉडल ने शतरंज बॉट को 2200 बुलेट रेटिंग के पार पहुंचाया

> तेज़ इवैल्यूएटर में ढाला गया Jev, Stockfish बॉट को Lichess पर 2200 से आगे ले गया। Qwen3‑32B के साथ मिलकर लेबल देने पर भी बेहतर नतीजे मिले।

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

TypeSafe के शोधकर्ताओं ने Jev पेश किया है। यह मॉडल सिर्फ कैलिब्रेट की गई संभावनाएं बताता है। Jev के आकलनों को Stockfish की खोज-प्रक्रिया में शामिल कर और उन्हें एक तेज़ इवैल्यूएटर में ढालकर, बॉट Lichess पर 2200 बुलेट रेटिंग तक पहुंचा। जब लेबल देने का बजट Jev और बड़े भाषा मॉडल Qwen3‑32B के बीच बांटा गया, तो दोनों के मिले-जुले लेबल ने सिर्फ Qwen के इस्तेमाल की तुलना में करीब 9.6 Elo बेहतर प्रदर्शन किया। नए ओपनिंग पर भी यह फायदा दोहराया गया।

## तथ्य

- Jev से बेहतर किए गए Stockfish ने Lichess पर 2200 बुलेट रेटिंग पार की।
- Jev और Qwen3‑32B के लेबल का औसत, सिर्फ Qwen से लेबल देने की तुलना में 9.6 Elo बेहतर रहा (95% अंतराल 4.3–14.9)।

## यह क्यों मायने रखता है

शतरंज डेवलपर महंगे LLM कॉल के बिना अधिक दमदार बॉट बना सकते हैं और कंप्यूटिंग व लेबलिंग की लागत बचा सकते हैं।

## स्रोत और संदर्भ

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

अंतिम अपडेट: 2026-10-09