# Jev ajuda bot de xadrez a superar 2200 no bullet

> O modelo Jev, que prevê apenas probabilidades e foi destilado em um avaliador barato, leva um bot com Stockfish a mais de 2200 no Lichess e torna mais eficaz a combinação de rótulos com o Qwen3‑32B.

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

Pesquisadores da TypeSafe apresentaram o Jev, um modelo que retorna apenas probabilidades calibradas. Ao incorporar as avaliações do Jev à busca do Stockfish e destilá-las em um avaliador rápido, o bot alcançou 2200 de rating no bullet do Lichess. Quando o orçamento para rotulagem é dividido entre o Jev e o modelo de linguagem de grande porte Qwen3‑32B, os rótulos combinados superam em cerca de 9,6 pontos Elo os obtidos apenas com o Qwen, e a vantagem se repete em novas aberturas.

## Os fatos

- O Stockfish aprimorado com o Jev superou 2200 de rating no bullet do Lichess.
- A média dos rótulos do Jev e do Qwen3‑32B superou a rotulagem apenas com o Qwen em 9,6 pontos Elo (intervalo de 95%: 4,3–14,9).

## Por que importa

Desenvolvedores de xadrez podem criar bots mais fortes sem recorrer a chamadas caras de LLM, economizando computação e custos de rotulagem.

## Fontes e referências

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

Última atualização: 2026-10-09