Kev：基于Qwen3.5的轻量决策模型
Kev: Tiny Jev-like family of decision models built on top of Qwen3.5
Jared Palmer推出了Kev，一个基于Qwen3.5构建的轻量级决策模型家族，提供0.8B、4B和9B三种参数规模。这些模型专为处理Yes/No判断、多选项选择和评分任务而设计，支持在本地CUDA或Apple Silicon设备上运行。Kev的API完全兼容TypeSafe的System One，开发者可直接使用Python SDK进行集成。无论是客服工单分类还是棋局评估，Kev都能高效处理，且通过LoRA技术实现了高效的微调与部署。
获取概率而不是单一标签的意义在于，它能让你看到模型对每个选项的置信度分布。
HN 评论区
199- nico
如果你只需要分类功能，并且能提供一些训练数据，可以请 Codex 或 Claude 帮你构建一个 embeddings + 逻辑回归分类器模型。
对于邮件处理，我用这个方法仅用 50-100 个训练样本就达到了 95% 的准确率。
模型训练在 CPU 上耗时不到 5 分钟。
生成的模型体积小于 1MB，推理耗时低于 100 毫秒。
这种方法的几个其他亮点：
* 模型不是基于某种“理想”或通用的分类进行训练，而是学习你的个人偏好。
* 模型几乎可以在任何移动设备上运行，并支持在设备端在线重新训练。
* 隐私方面，整个训练和推理过程 100% 本地化，数据不会外流（除了你在构建模型时喂给 Codex/Claude 的数据）。
注：为了进行更通用的测试，我针对 Banking77 数据集做了一个分类器。模型体积小于 10MB，在 CPU 上训练不到 30 秒，准确率达到 94.5%，这使其在该数据集上准确率排名前五（最好的模型准确率为 94.86%，但体积高达 350MB，且需要在 GPU 上训练数小时）。
- prodigycorp
天啊，我已经对所有的 jev 讨论感到疲惫不堪了。
jev 的唯一优势在于有一家专注的公司，全心全意致力于把产品做好并持续维护。我不愿跳上所有这些 jev 类项目的船，因为它们的发布感觉主要是由投机心理驱动的。我宁愿等一等，让投机者洗牌，看看谁真正致力于给开源权重社区带来有价值的东西。
jev 比传统机器学习圈给它的赞誉要好得多，但每当涉及到他们的数据政策时，我的热情就撞上了墙。那完全是独裁式的。无论你喂给系统什么，他们都会保留。
jev 团队必须发布一个 ZDR 产品，否则他们的平台生来就是死路一条。一个开放的、jev 形态的模型将仅凭这一点就能胜出。
- oscarfr
找到了这个关于 Jev 类模型的基准测试：https://benchmarkheaven.com/jev-models
里面已经有不少 Jev 类模型了。
编辑：无关联。只是发现了这个，觉得其他人可能也会感兴趣。
- hbarka
如果 Jev 根本上是使用 RLCD 训练的，而你是基于使用 RLHF 训练的 Qwen 模型构建的，那么结果模型怎么能被视为 Jev 类呢？
- monkeydust
看来 Jev 正在爆发。是因为它把我们带回了那个我们更熟悉的简单时代吗？分类模型已经存在一段时间了。
- nullbio
我认为这类模型的一个绝佳应用场景是：当它们拥有大上下文窗口，并能强制执行前端开发的样式规则以及 React 的组件创建规则时。这样你就可以抛弃样式指南和样式技能，转而创建一个用于执行样式的决策树，从而避免风格漂移或重复问题。这正是我目前浪费最多时间的地方，不断修正每个新功能带来的所有 UX/UI 问题。
- aetherspawn
希望这些模型能变得足够小且足够好，从而为游戏创造出类似“宠物”的 AI。你知道的，比如对着 NPC 大喊“跟着我”，STT 栈将其翻译并输入到本地的 Jev 类模型中，然后由模型决定 NPC 要做的一系列动作。
- mugul
人们对制作开源 Jev 类模型所投入的热情令人印象深刻。
我理解这股热潮，但我想知道：这类模型的用例是什么？它能用于编码代理（coding agents）的语境中吗，还是说它更适用于完全不同的场景？