# Jevモデルがチェスボットの弾丸レーティングを2200超に引き上げ

> 確率のみを出力するモデルJevを高速な評価器に蒸留。StockfishボットはLichessで2200を超え、Qwen3‑32Bとの併用でラベル付けの効率も高まった。

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

TypeSafeの研究者らは、較正された確率のみを返すモデル「Jev」を発表した。Jevの判断をStockfishの探索に組み込み、高速な評価器に蒸留した結果、ボットはLichessで弾丸レーティング2200に到達した。ラベル付けの予算をJevと大規模言語モデルQwen3‑32Bで分けた場合、両者を組み合わせたラベルはQwenのみを使う場合より約9.6 Elo高い性能を示し、新しいオープニングでも同様の効果が確認された。

## 事実

- Jevを組み込んだStockfishは、Lichessの弾丸レーティングで2200を超えた。
- JevとQwen3‑32Bのラベルを平均すると、Qwenのみのラベル付けを9.6 Elo上回った（95%区間：4.3～14.9）。

## なぜ重要か

チェス開発者は、高価なLLMの呼び出しを抑えながら、より強いボットを開発できる。計算資源とラベル付けのコスト削減につながる。

## 出典と参考資料

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

最終更新: 2026-10-09