# Jev模型助棋类机器人子弹棋评分突破2200，并提升标注效率

> 将只输出概率的模型Jev蒸馏为低成本评估器后，Stockfish机器人在Lichess上的子弹棋评分超过2200；与Qwen3‑32B混合标注也更有效。

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

TypeSafe的研究人员推出了Jev，这是一个只输出校准概率的模型。他们将Jev的判断融入Stockfish的搜索过程，并将其蒸馏成快速评估器，使机器人在Lichess上的子弹棋评分达到2200。将标注预算分配给Jev和大型语言模型Qwen3‑32B时，二者生成的混合标签比单独使用Qwen的标签高出约9.6个Elo；这一优势在新的开局中也同样出现。

## 事实

- 增强后的Stockfish在Lichess子弹棋中的评分超过2200。
- Jev与Qwen3‑32B标签取平均后，比仅使用Qwen标签高出9.6个Elo（95%区间为4.3–14.9）。

## 为什么重要

棋类开发者无需频繁调用成本高昂的大型语言模型，就能打造更强的机器人，从而节省算力和标注成本。

## 来源与参考

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

最后更新: 2026-10-09