# Jev helpt schaakbot boven 2200 bullet-rating uit te komen

> Het probabilistische model Jev, teruggebracht tot een goedkope evaluator, tilt een Stockfish-bot op Lichess boven de 2200 en maakt gecombineerde labeling met Qwen3‑32B effectiever.

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

Onderzoekers van TypeSafe introduceerden Jev, een model dat alleen gekalibreerde waarschijnlijkheden geeft. Door de beoordelingen van Jev in de zoekprocedure van Stockfish te verwerken en ze te distilleren tot een snelle evaluator, behaalde de bot een bullet-rating van 2200 op Lichess. Wanneer een labelingbudget wordt verdeeld tussen Jev en het grote taalmodel Qwen3‑32B, presteren de gecombineerde labels ongeveer 9,6 Elo beter dan labels van alleen Qwen. Dat voordeel blijft ook bestaan bij nieuwe openingen.

## De feiten

- Stockfish met Jev kwam boven een bullet-rating van 2200 op Lichess uit.
- Het middelen van labels van Jev en Qwen3‑32B presteerde 9,6 Elo beter dan labeling met alleen Qwen (95%-interval: 4,3–14,9).

## Waarom het ertoe doet

Schaakontwikkelaars kunnen sterkere bots bouwen zonder dure LLM-aanroepen, en zo besparen op rekenkracht en labelingkosten.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-10-09