# Jev porta un bot di scacchi oltre quota 2200 nel bullet

> Il modello Jev, basato solo sulle probabilità e distillato in un valutatore economico, permette a un bot basato su Stockfish di superare quota 2200 su Lichess e rende più efficace l’etichettatura combinata con Qwen3‑32B.

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

I ricercatori di TypeSafe hanno presentato Jev, un modello che restituisce soltanto probabilità calibrate. Integrando le sue valutazioni nella ricerca di Stockfish e distillandole in un valutatore rapido, il bot ha raggiunto un rating di 2200 nel bullet su Lichess. Quando il budget per l’etichettatura viene suddiviso tra Jev e il modello linguistico di grandi dimensioni Qwen3‑32B, le etichette combinate superano di circa 9,6 punti Elo quelle prodotte usando solo Qwen, e il vantaggio si ripete con nuove aperture.

## I fatti

- Stockfish potenziato con Jev ha superato un rating di 2200 nel bullet su Lichess.
- La media delle etichette di Jev e Qwen3‑32B ha superato di 9,6 punti Elo l’etichettatura basata solo su Qwen (intervallo al 95%: 4,3–14,9).

## Perché conta

Chi sviluppa motori di scacchi può creare bot più forti senza ricorrere a costose chiamate agli LLM, risparmiando risorse di calcolo e costi di etichettatura.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-10-09