# Jev hjälper schackbot att nå över 2200 i bullet

> Den sannolikhetsbaserade modellen Jev, destillerad till en billig utvärderare, hjälper en Stockfish-bot att nå över 2200 på Lichess och gör kombinerad märkning med Qwen3‑32B effektivare.

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

Forskare på TypeSafe har presenterat Jev, en modell som bara ger kalibrerade sannolikheter. Genom att integrera Jevs bedömningar i Stockfishs sökning och destillera dem till en snabb utvärderare nådde boten 2200 i bullet på Lichess. När en märkningsbudget delas mellan Jev och den stora språkmodellen Qwen3‑32B ger de kombinerade etiketterna omkring 9,6 Elo bättre resultat än om enbart Qwen används, och fördelen återkommer med nya öppningar.

## Fakta

- Stockfish med Jev nådde över 2200 i bullet på Lichess.
- En kombination av etiketter från Jev och Qwen3‑32B slog märkning med enbart Qwen med 9,6 Elo (95-procentigt intervall 4,3–14,9).

## Varför det spelar roll

Schackutvecklare kan skapa starkare botar utan dyra anrop till stora språkmodeller och därmed spara beräkningskraft och märkningskostnader.

## Källor och referenser

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

Senast uppdaterad: 2026-10-09