# Jev modeli satranç botunu 2200 bullet puanının üzerine taşıdı

> Ucuz bir değerlendiriciye damıtılan ve yalnızca olasılık üreten Jev modeli, Stockfish tabanlı botu Lichess’te 2200 puanın üzerine çıkarıyor; Qwen3‑32B ile karma etiketleme de daha etkili sonuç veriyor.

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

TypeSafe araştırmacıları, yalnızca kalibre edilmiş olasılıklar sunan Jev adlı modeli tanıttı. Jev’nin değerlendirmelerini Stockfish’in arama sürecine entegre edip hızlı bir değerlendiriciye damıtan bot, Lichess’te 2200 bullet puanına ulaştı. Etiketleme bütçesi Jev ile büyük dil modeli Qwen3‑32B arasında paylaştırıldığında, ortak etiketler yalnızca Qwen kullanmaya kıyasla yaklaşık 9.6 Elo daha iyi sonuç veriyor; bu kazanım yeni açılışlarda da tekrarlanıyor.

## Gerçekler

- Jev ile güçlendirilen Stockfish, Lichess’te 2200 bullet puanını aştı.
- Jev ve Qwen3‑32B etiketlerinin ortalaması, yalnızca Qwen ile etiketlemeye kıyasla 9.6 Elo daha iyi sonuç verdi (%95 aralık: 4.3–14.9).

## Neden önemli

Satranç geliştiricileri, pahalı LLM çağrılarına ihtiyaç duymadan daha güçlü botlar geliştirebilir; böylece hesaplama ve etiketleme maliyetlerini düşürebilir.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-10-09