ENPT

Kev

Última atualização:

Aberto23–67ms$0/M input

Notas do quadrante

Ver o quadrante completo

Pontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.

  • Maturidade6.4/10

    Kev 1.0: pesos Apache-2.0 em quatro tamanhos, servidor GPU e MLX, demo no navegador, skills de fine-tune / deploy, cards com fontes de dados. O Kev-4B está no OpenRouter e, desde 02/10, no /v1/systemone do llama.cpp (GGUF da ggml-org). SDK da TypeSafe funciona trocando endpoint. Sem SLA.

  • Capability8.1/10

    Placares oficiais (17/10): Decision Index 0.3.2 Full 58,78 (#24); JevBench Intelligence 64,2, calibração 93,7, p50 0,180 s. Noul / Choice / Score com pointer head e nenhum token gerado. Temperatura ajustada, ECE agregado de 0,019 no Kev-27B (autor). Tempo de modelo mediano de 23–67 ms em GPU (autor, sem p99).

  • Adoção26/100

    A reconstrução aberta do Jev com mais estrelas (~8,2 mil no GitHub, 520+ forks), dezenas de milhares de downloads no HF, listagem no OpenRouter e derivados como o NeoHorse-Jev. Post do Kev 1.0: ~110 likes nas primeiras horas. Sem usuários de produção nomeados.

Vendor claims

Notícias sobre este modelo

publicado (OK do Fabricio 17/10 BRT). Auditoria dos placares de 17/10/2026: veja a seção “Auditoria dos placares” abaixo; onde ela conflita com afirmações antigas de placar nesta página, ela vale.

Kev é uma reconstrução aberta do contrato System One / Jev feita pelo Jared Palmer. Começou em 18 de setembro como LoRA adapter + readout head sobre o Qwen2.5-0.5B; com o Kev 1.0 virou uma família de quatro modelos, de 0.8B a 27B.

Ele lê o documento uma vez e responde várias perguntas tipadas em paralelo num único prefill — sem decode autoregressivo. Tipos: noul (sim/não → boolean no catálogo), choice e score. A saída é distribuição calibrada sobre opções, não prosa.

Kev 1.0 (1º de outubro de 2026)

Jared Palmer lançou o Kev 1.0 em 1º de outubro de 2026 (post no X, 20:33 BRT): quatro modelos de decisão abertos de 0.8B a 27B, todos Apache-2.0, com um Kev-27B novo e um Kev-9B atualizado. A API é a mesma da TypeSafe, então quem usa o SDK da TypeSafe troca só o endpoint e o nome do modelo. O servidor roda em GPU e em Apple Silicon via MLX; skills de agente cobrem fine-tuning e deploy.

Modelo O que mudou Roda em Tempo de modelo mediano
Kev-27B Novo: todos os pesos do backbone de texto do Qwen3.8-27B ajustados (os Kevs menores seguem com LoRA sobre Qwen3.5); ~146 mil exemplos / 337 mil perguntas, documentos de treino de até 32k tokens, janela de 64k tokens; o backbone publicado mistura 85% do fine-tune novo com 15% do 27B anterior H200 (ou H100, B200) 67 ms
Kev-9B Mais uma passada de fine-tuning; política e regras 58% → 83% (autor) H100 (ou L40S) 24 ms*
Kev-4B Sem mudança L40S ou Mac de 32 GB 42 ms
Kev-0.8B Sem mudança L4 ou qualquer Mac Apple Silicon 23 ms

* Medido no 9B anterior. Todos os números vêm do harness do autor (UnverifiedClaim). O autor diz que nenhuma saída do Jev foi usada no treino.

Ressalvas do próprio post: o 27B novo é menos preciso e mais confiante demais em contratos jurídicos longos do que o anterior (ainda disponível como kev-27b@v1-lora); a exposição do modelo base aos dados de teste é desconhecida; a seleção de checkpoint não foi totalmente cega. Nos pesos anteriores, o Decision Index oficial dá Kev 9B 38,48, Kev 4B 34,64 e Kev 0.8B 14,6; o Kev 1.0 ainda não foi medido lá.

Nota do catálogo: a ficha mantém artifactKind: lora-adapter porque três dos quatro tamanhos são adapters; o Kev-27B agora é fine-tune completo.

O que é

  • Pesos abertos (Kev 1.0): kev-27b, kev-9b, kev-4b, kev-0.8b (Apache-2.0; base sob licença Qwen). Anteriores: kev-0.5b, kev-0.6b
  • Repo + server local: github.com/jaredpalmer/kev
  • API: POST /v1/systemone — shapes compatíveis com TypeSafe; o SDK oficial roda com base_url local
  • Arquitetura segue a reconstrução independente em Archer Hume — Jev’s Architecture Unmasked (17 set 2026): state compartilhado, branches isoladas, pointer readout, proper scoring — não é confirmação da TypeSafe

Ver também a entrada do produto fechado de referência: Jev.

Distribuição

JevBench v1.4.2 (família Kev antes da 1.0)

Variante Geral Intelligence Calibration Speed Cost Posição
Kev 4B 36,1 42,1 68,4 74,2 58,3 #24
Kev 0.6B 29,1 37,2 62,1 79,4 75,2 #37
Kev 0.5B 28,4 36,8 61,2 78,9 76,8 #39

O benchmark confirmou o gap de transfer de ~−19pp vs Jev reportado pelo próprio Jared Palmer. A variante 4B diminuiu o gap, mas antes da 1.0 o Kev era um protótipo / ferramenta de pesquisa, não um par de produção.

Derivados

  • NeoHorse-Jev-4B (TokenRhythm, 23/09/2026) reaproveita o código de inferência do Kev (model.py / schema.py, com crédito) e o desenho de head pointer sobre o backbone NeoHorse-1-4B. O head é treino próprio: nenhum tensor bate com o head.pt do kev-4b. Decision Index 0.2.1 oficial: 36,75 (#30) vs Kev 4B 34,64 (#32).

Em uso: porteiro de respondibilidade do LocalFirstAI (19/10/2026)

publicado (OK do Fabricio 19/10 BRT).

O LocalFirstAI (MIT; laboratório de uma pessoa que roda modelos locais num Mac Mini M4 Pro) testou quatro classificadores locais como porteiro que decide, antes de um modelo de 4B responder, se o material recuperado consegue responder à pergunta. No exp_042 (avaliado em 18/10, 150 perguntas lacradas reaproveitadas de uma rodada anterior), o Clef 27B foi o porteiro principal. O Kev-4B ficou perto: as recusas nas 38 perguntas que deviam ser recusadas subiram de 0,474 para 0,921 e o acerto exato de 0,753 para 0,820, com 1 recusa errada entre as 101 respondíveis, a cerca de 2 s por pergunta contra cerca de 12 s do Clef 27B (servido pelo llama-server do llama.cpp, uns 4,5 GB).

Depois o autor ligou o Kev-4B ao pipeline de respostas do projeto e, desde 18/10, roda o modelo em modo sombra num bot-guia ao vivo: ele registra uma probabilidade e não bloqueia nada. Um primeiro replay mostrou que os limiares não se transferem (ele teria recusado 29 de 60 perguntas respondíveis), então continua em modo sombra. Outro teste (exp_043) usou só o Kev-4B para triar 235 leads sintéticos de imobiliária: intenção 0,894, spam pego em 29 de 32, com 3 de 203 leads reais marcados como spam por engano. São números de terceiro que não reproduzimos. Notas inalteradas; é um usuário nomeado, mas ainda sem tráfego de produção. Achado por um post do TeksEdge (19/10).

Limites (leia antes de colocar em produção)

  • README anterior à 1.0: protótipo de pesquisa — “not a production model and it is not Jev”
  • As rodadas de JevBench antes da 1.0 confirmaram gap de transfer de ~−19pp vs Jev no 0.5B (~−14pp no 4B); o Kev 1.0 ainda não tem rodada de terceiros
  • Sensibilidade residual à ordem das opções (~7% de flips de argmax nos testes do autor)
  • Serve local, sem auth — ok pra demo no laptop, sem SLA hospedado
  • Não use em decisões de produção que afetem pessoas sem a sua própria eval rotulada

I/O tipado público, API System One documentada e pesos abertos. Fica ao lado do Jev como ponto open / local no quadrante. Desde o Kev 1.0, o ponto representa a família, puxada pelo Kev-27B.

Auditoria dos placares (17/10/2026)

publicado (OK do Fabricio 17/10 BRT). Conferido nos placares oficiais em 17/10/2026: Decision Index 0.3.2 (dados de 16/10, 19:00 UTC), JevBench e ImageJevBench ao vivo. Os placares são fontes separadas e nunca são combinados. Afirmações e posições antigas de placar mais abaixo nesta página ficam superadas quando conflitam com esta seção.

Placar Linha Resultado
Decision Index 0.3.2 (16 out 19:00 UTC) Kev 27B Full 58,78 (#24, grupo de empate 7); público 56,69 (#49); same-skills 55,51; new-domains 55,49
Decision Index 0.3.2 (16 out 19:00 UTC) Kev 9B v2 Full 43,27 (#86, grupo de empate 20); público 41,54 (#92); same-skills 42,37; new-domains 41,03
Decision Index 0.3.2 (16 out 19:00 UTC) Kev 4B r10 Full 39,5 (#98, grupo de empate 23); público 37,95 (#106); same-skills 36,17; new-domains 41,25
Decision Index 0.3.2 (16 out 19:00 UTC) Kev 0.8B r15 Full 13,66 (#147, grupo de empate 44); público 16,78 (#153); same-skills 15,84; new-domains 13,2
JevBench pesos abertos (ao vivo 17/10) Kev 27B Capability 78,9; Intelligence 64,2; calibração 93,7; p50 0,180 s; US$ 0,53/1k
JevBench pesos abertos (ao vivo 17/10) kev 8B Capability 50,0; Intelligence 29,3; calibração 70,8; p50 0,074 s; US$ 0,097/1k
JevBench pesos abertos (ao vivo 17/10) kev 4B Capability 44,0; Intelligence 19,5; calibração 68,5; p50 0,072 s; US$ 0,014/1k
JevBench pesos abertos (ao vivo 17/10) kev 0.6B Capability 36,9; Intelligence 7,6; calibração 66,3; p50 0,057 s; US$ 0,0046/1k
JevBench pesos abertos (ao vivo 17/10) kev 0.5B Capability 32,9; Intelligence 4,6; calibração 61,2; p50 0,044 s; US$ 0,0046/1k

Afirmações de status de placar nesta página para reconferir com a tabela (podem estar superadas):

  • “Decision Index 0.2.1 oficial: 36,75 (#30) vs Kev 4B 34,64 (#32).”

Atualização da nota (auditoria, 17/10/2026). Capability 7,7 → 8,1 = tipos × 0,30 + calibração × 0,25 + latência × 0,25 + acurácia × 0,20 = 10 × 0,30 + 7 × 0,25 + 7 × 0,25 + 8 × 0,20 = 8,10 → 8,1. Tipos, calibração e latência vêm da conta anterior (10 / 7 / 7); só a acurácia é refeita pelo placar (8; era 6): Decision Index Full 58,78 ÷ 60,11 × 8 = 7,8, arredondado para cima. Maturidade e adoção inalteradas.

Hugging Face em 17/10 (jaredpalmer/kev-27b): 2.619 downloads, 41 likes, tag de licença apache-2.0, última modificação 2026-10-01.

  • llama.cpp: llama serve -hf ggml-org/Kev-4B-GGUF e depois POST /v1/systemone (blog da ggml-org, 02/10/2026)