# Jev помог шахматному боту набрать более 2200 в блице

> Модель Jev, выдающая только вероятности, встроили в недорогую систему оценки позиций. Бот на базе Stockfish превысил рейтинг 2200 на Lichess, а совместная разметка с Qwen3‑32B оказалась эффективнее.

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

Исследователи из TypeSafe представили Jev — модель, которая выдаёт только откалиброванные вероятности. Встроив оценки Jev в поиск Stockfish и дистиллировав их в быструю модель для оценки позиций, авторы добились для бота рейтинга 2200 в блице на Lichess. Если бюджет на разметку распределить между Jev и большой языковой моделью Qwen3‑32B, совместная разметка превзойдёт разметку только с помощью Qwen примерно на 9,6 пункта Эло. Такой результат сохраняется и на новых дебютах.

## Факты

- Stockfish с Jev превысил рейтинг 2200 в блице на Lichess.
- Усреднение разметки Jev и Qwen3‑32B дало преимущество в 9,6 пункта Эло перед разметкой только с помощью Qwen (95%-й интервал: 4,3–14,9).

## Почему это важно

Разработчики шахматных ботов могут улучшить их без дорогостоящих запросов к LLM, сократив затраты на вычисления и разметку.

## Источники и ссылки

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

Обновлено: 2026-10-09