Jared Palmer 發布了 Kev，這是一個基於 Qwen3.5 構建的小型決策模型家族，包含 0.8B、4B 和 9B 參數規模的版本，並採用 Apache 2.0 授權。這些模型遵循 Jev 的架構設計，旨在提供無需生成文本的類型安全且結構化的決策輸出。 Kev 通過提供與專有 Jev 模型相對應的開源權重替代方案，擴大了專用 AI 代理的生態系統，使開發者能夠在本地訓練和運行決策邏輯。這有助於推動利用輕量級模型進行特定分類和路由任務，而非僅依賴大型語言模型的趨勢。 這些模型旨在利用 Qwen3.5 的多模態基礎，在 70 至 500 毫秒內輸出零幻覺的結構化決策。社群討論強調了訓練方法的差異，指出雖然 Jev 使用 RLCD（人類反饋的累積獎勵）進行訓練，但 Kev 是建立在採用 RLHF（人類反饋強化學習）訓練的模型之上。
事件背景
Jev 是由 TypeSafe AI 推出的「系統一」決策模型，能夠以機器速度提供類型安全的決策，且無需生成文本或進行 JSON 解析。Qwen3.5 是阿里巴巴推出的原生多模態基礎模型家族，經過交錯的文本、圖像和視頻標記訓練，為各種 AI 工作流程提供了強大的推理能力。
社群觀察
社群反應兩極，部分用戶對「Jev 風格」的趨勢感到疲憊，並質疑簡單分類模型的新穎性。另一些用戶則欣賞其實用的基準測試數據以及在本機運行這些微型模型的能力，同時關於 RLCD 與 RLHF 等不同訓練方法影響的討論仍在繼續。
