PART 1Kev 是什么一句话Kev 是 jaredpalmer 开源的「Jev 类小决策模型」家族——在 Qwen 底座上加 LoRA 适配器 指针头不做文本生成只做打分决策一次前向传播对一段文本上的一组类型化问题各输出一个概率分布。官方定位仓库 pyproject 原文“Laptop-scale reconstruction of a Jev-style decision model with a TypeSafe-compatible /v1/systemone API”仓库地址github.com/jaredpalmer/kevApache-2.0。三个关键属性API 与 TypeSafe 的 Jev 完全兼容。JevTypeSafe 官方托管 API的/v1/systemone协议——noul是非判断/choice多选一/score有序打分三原语——Kev 原样实现。TypeSafe Python SDK 不改一行代码把base_url指向本地 Kev 服务就能用。可自己训。0.5B 到 27B 多代权重与全部训练代码开源kev.train/kev.serve/kev.benchmark是三个核心入口训练数据就是带 label 的 JSONL。笔记本级可跑可训。0.8B 档在任何 Apple Silicon Mac 或 4GB 显存 GPU 上可推理可微调。我在 RTX 3060 Laptop6GB上实测微调 0.6B LoRA峰值显存1.71GB1 epoch 378 步约 31 分钟。背景Jev → 架构逆向 → KevJevTypeSafe 官方托管决策模型 API不开放权重且不对中国大陆开放我调研阶段实测核实过。2026 年 9 月Archer Hume 发布《Jev’s Architecture Unmasked》逆向出了它的架构attention-only 底座 问题隔离 指针头。Kevjaredpalmer按这份逆向架构复刻底座用 Qwen 系列0.5BQwen2.5原型→ 0.6B/0.8BQwen3/Qwen3.5→ 4B/9B → 27BQwen3.8 post-trained。每一代 model card 都有冻结评测协议下的完整指标。官方指标一览模型底座域外准确率*门槛Kev-0.8BQwen3.5-0.8B-Base0.648 / 0.697Apple Silicon / L4Kev-4BQwen3.5-4B-Base0.817 / 0.83832GB Mac / L40S / H100Kev-9BQwen3.5-9B-Base0.822 / 0.85232GB Mac / L40S / H100Kev-27BQwen3.8-27B0.848 / 0.896B200 / H200 / H100 80GBJev托管0.857 / –TypeSafe API* dev / test 两列「域外」指模型训练时从没见过的数据源——最接近你自己业务的口径。Kev-27B 与 Jev 官方差距 1 个点以内而 Kev-4B/9B 差距约 4 个点0.8B 差距 16 个点。它和 ChatGPT 这类生成式模型差在哪决策模型的输出不是文字而是概率分布。你给它一段文本state和一组问题它回答的是「这三个选项的概率分别是 47% / 28% / 25%」「这是紧急事件的概率 93%」「愤怒等级期望值 1.44」。这意味着你的代码可以对高置信度自动执行、低置信度转人工阈值路由是第一公民没有幻觉文本没有采样随机性同一个输入永远同一个输出一次请求可以塞任意多个问题state 只编码一次吞吐远高于让 LLM 逐条生成回答。典型场景工单分诊分派给哪个团队 是否升级 用户情绪打分一个请求全答完、内容审核、意图分类、以及我做的——在知识图谱导航中「接下来该选哪个节点」的多跳决策。