Kev-0.8B

Resumo do modelo

O Kev-0.8B é um modelo de decisão. Ele lê um documento (o estado) e um conjunto de perguntas tipadas sobre ele, e devolve uma distribuição de probabilidade calibrada sobre as opções fornecidas com cada pergunta, em uma única passada direta e sem gerar texto. Ele implementa a API pública System One da TypeSafe (POST /v1/systemone), de modo que o SDK da TypeSafe funciona contra ele sem alterações. É o menor Kev: um adaptador LoRA e uma cabeça de ponteiro sobre o Qwen3.5-0.8B-Base, que roda em um laptop ou em uma GPU de 4 GB. Ele é indicado onde a memória ou o custo descartam os tamanhos maiores e a tarefa se parece com aquilo em que ele foi treinado; fora do domínio ele é bem menos acurado que o Kev-4B. Esta ficha descreve o checkpoint no Kev 1.0, publicado pela primeira vez em 2026-09-24.

Detalhes do modelo

Entrada. Um estado (texto, ou um objeto ou array JSON renderizado como texto rotulado) e qualquer número de perguntas nomeadas, cada uma de um dos três tipos:

Cada pergunta é respondida como a sua própria linha, que continua a partir do estado compartilhado, então as perguntas não podem influenciar umas às outras; o estado é calculado uma vez e armazenado em cache.

Usos pretendidos

• Decisões tipadas próximas das suas famílias de treinamento (classificação de documentos, roteamento, verificação de políticas sobre regras declaradas) em hardware pequeno demais para o Kev-4B: um laptop, uma L4 ou uma GPU de 4 GB.
• Um ponto de partida para ajuste fino nos rótulos do próprio usuário onde o custo de treinamento importa (kev.train --init_from jaredpalmer/kev-0.8b).
• Prototipagem contra a API System One antes de migrar para um Kev maior.

Usos fora de escopo

• Geração de texto, chat, sumarização ou respostas a perguntas abertas. O modelo apenas pontua as opções que recebe.
• Roteamento de chamadas de ferramenta (se deve chamar uma ferramenta, pedir um parâmetro ausente ou recusar): sua acurácia no When2Call fica abaixo do acaso (veja Limitações).
• Decisões totalmente automatizadas com consequências legais, médicas, financeiras, trabalhistas ou semelhantes para pessoas, sem revisão humana.
• Perguntas com muito conhecimento, aritmética de datas, estados maiores que 65,536 tokens e idiomas diferentes do inglês.

Como usar

Sirva-o com o repositório do Kev. Em CUDA ele roda em bf16 com kernels DeltaNet fundidos e CUDA graphs (uma L4 basta); no Apple Silicon o mesmo comando o serve através do MLX, escolhido automaticamente.

git clone https://github.com/jaredpalmer/kev.git && cd kev && uv sync --extra serve
uv run --extra serve python -m kev.serve --run jaredpalmer/kev-0.8b --port 8008        # Kev 1.0 (this card)
uv run --extra serve python -m kev.serve --run jaredpalmer/kev-0.8b@v1.0 --port 8008   # the same weights, pinned

from typesafe_sdk import Choice, Noul, TypeSafeClient

client = TypeSafeClient(api_key="local", base_url="http://127.0.0.1:8008", model="kev-latest")
response = client.system_one(
    state="I was charged twice for order 1182. Please refund one of the charges.",
    questions={
        "team": Choice(instructions="Which team should handle this?",
                       criteria={"billing": "Charges and refunds", "shipping": "Deliveries", "returns": "Exchanges"}),
        "urgent": Noul(instructions="Does this need a reply today?"),
    },
)
print(response.choices["team"].choice, response.nouls["urgent"].noul)

A temperatura calibrada é aplicada por padrão; KEV_TEMPERATURE=1.0 devolve as probabilidades brutas. KEV_DTYPE=fp32 seleciona o caminho exato usado na avaliação. Um estado acima de 65,536 tokens é recusado com um 422 que informa a sua contagem de tokens.

Dados de treinamento

Os dois estágios de ajuste fino repetem 2,000 e 6,000 registros do decision-v7. Nenhuma saída de Jev (o modelo de decisão hospedado da TypeSafe) foi usada. CodeReviewer e FlakeFlagger vêm do Zenodo; as narrativas do CFPB são obras do governo dos EUA; licenças e revisões por fonte são registradas nos manifestos das suítes. As suítes apenas de avaliação abaixo (breadth-v1, tasksource-heldout-v1, transfer-v4, longdoc-v1, e as fontes When2Call e de injeção de prompt do devtools-v1) nunca entram no treinamento.

Procedimento de treinamento

1. Receita base. Duas épocas no decision-v7 a partir da base: LoRA rank 16, α 32; taxa de aprendizado 1e-4, agenda one-cycle; lote 8; autocast bf16; semente 2. A perda é entropia cruzada sobre as opções de cada pergunta. A ordem das opções é embaralhada, opções “nenhuma das opções acima” e distratores são inseridos aleatoriamente, e um quarto dos registros de choice também gera um par mínimo (a pergunta com uma opção “nenhuma das opções acima”, uma vez com a opção correta presente e uma vez com ela removida).
2. Datas e evidência ausente. Uma época a partir do estágio 1 com taxa de aprendizado 4e-5 e 2,000 registros repetidos.
3. Documentos e habilidades. Uma época a partir do estágio 2 nos três conjuntos de treinamento juntos, com taxa de aprendizado 2e-5 e 6,000 registros repetidos; lote 4 × 2 de acúmulo; estados de no máximo 7,552 tokens; gradient checkpointing; semente 1; 2,818 passos do otimizador.
4. Calibração. Uma única temperatura, T = 2.35, minimizando a log-verossimilhança negativa nas linhas de desenvolvimento do decision-v7 do trial do estágio 3 (1,264 perguntas). Estes são itens reservados de um corpus de treinamento. Um reajuste em conjuntos de dados reservados foi avaliado e não adotado (veja Calibração).

Avaliação

Metodologia. Todo número é o caminho de avaliação em fp32 na temperatura de entrega, salvo indicação em contrário. Partições de desenvolvimento foram usadas para seleção; partições de teste foram lidas uma vez para este checkpoint; o teste do transfer-v4 é bloqueado (lido uma vez por candidato) e foi julgado contra uma régua fixada de antemão. Os intervalos pareados são bootstraps de 95% que reamostram registros inteiros (2,000 reamostragens), então perguntas que compartilham um estado se movem juntas. As diferenças estão em pontos percentuais (pp). O Jev (o modelo hospedado da TypeSafe, consultado pelo Vercel AI Gateway) é mostrado onde ele foi lido nos mesmos itens. As suítes:

• breadth-v1: 14 conjuntos de dados públicos reservados em cinco áreas (conhecimento, linguagem, recuperação, ferramentas, artes), nunca treinados.
• tasksource-heldout-v1: 24 famílias de tarefa inteiras de uma coleção pública multitarefa, nunca treinadas (nomes das famílias privados).
• transfer-v4: decisões fora do domínio de seis fontes públicas nunca treinadas (QNLI, SciQ, TweetEval-offensive, PAWS, MMLU, Emotion) mais políticas e estruturas de regra reservadas.
• hard-v1: as famílias de habilidade acima; a partição de teste reserva templates de geradores treinados.
• devtools-v1: decisões de ferramentas de desenvolvimento de seis fontes com licença verificada (quatro treinadas, duas apenas de avaliação).
• documents-v1 / documents-v2: narrativas de reclamação do CFPB; a v2 é um conjunto de teste reservado privado.
• longdoc-v1: contratos comerciais CUAD e pacotes de acordo gerados, com estados de 4k a 64k tokens.

Os painéis principais marcados como “audited” excluem itens que uma auditoria de rótulos considerou insólidos¹; cada exclusão remove as mesmas linhas dos dois lados de uma comparação.

Dados reservados (nunca treinados).

Famílias treinadas (itens e templates reservados).

O número do Jev para devtools-v1 cobre todas as 1,074 perguntas de desenvolvimento; as linhas do Kev descartam um id do CodeReviewer que o construtor da suíte reutilizou para dois registros (2 perguntas).

Contra a versão anterior (tag night2-du-release, na própria temperatura 2.41; critérios registrados, cada teste lido uma vez):

Documentos longos.

• Comprimento de contexto validado: 8,192 tokens, o comprimento treinado. O bucket de 16k está fora da tolerância: seu limite inferior é −8.5 pp, abaixo de −3 pp, então nenhum comprimento maior é validado.
• Regra, fixada antes da leitura: o comprimento validado é o tamanho nominal do maior bucket a partir de 16,384 tokens tal que ele, e todo bucket entre ele e 8,192, esteja dentro da tolerância. “Dentro da tolerância” significa que a diferença de acurácia CUAD em relação ao bucket de 8k (estados de 6,553–7,618 tokens, o comprimento treinado), pareada no mesmo contrato, repetição e pergunta, tem um limite inferior de 95% de pelo menos −3 pp, e todo registro foi respondido. Se o bucket de 16k falha, o comprimento validado é 8,192 tokens.

Acurácia CUAD, ECE e a diferença pareada em relação ao bucket de 8k por comprimento nominal do estado (longdoc-v1 development):

ECE na T de entrega = 2.35. Δ é pareado nas 445–447 perguntas feitas sobre os mesmos contratos nos dois comprimentos. O bucket de 4k contém contratos diferentes e não é uma referência para a regra. Fonte: runs/r28-readout/context.json (o read-out registrado da rodada 28, runs/r28-08b-r15-longdoc).

Calibração (erro de calibração esperado, ECE, na T de entrega = 2.35; menor é melhor):

A temperatura de entrega foi ajustada em itens reservados de um corpus de treinamento, o que as regras do projeto não permitem mais para um novo release. Um reajuste registrado em 648 perguntas de conjuntos de dados reservados (a partição de calibração do transfer-r3, oito fontes, e 200 perguntas de MMLU-Pro) dá T = 2.52 (intervalo bootstrap de 90% [2.19, 2.83]). Nas 4,468 perguntas de desenvolvimento auditadas do breadth-v1 e do tasksource-heldout-v1 ele é melhor calibrado: ECE 0.037 contra 0.048, Brier menor em 0.0020 [0.0014, 0.0025]. Ele é pior nas famílias treinadas, cada uma por mais que a tolerância registrada de 0.005: hard-v1 ECE 0.124 contra 0.112, devtools-v1 (auditado) 0.099 contra 0.092, documents-v1 0.078 contra 0.059. O reajuste, portanto, não se qualificou, e T = 2.35 permanece. Usuários cuja carga de trabalho se parece mais com conjuntos de dados públicos reservados do que com as famílias de treinamento do Kev podem servi-lo no valor do reajuste com KEV_TEMPERATURE=2.52; as respostas não dependem de T.

Outros resultados.

Serviço. CUDA, bf16 com kernels fundidos e CUDA graphs, em uma L4; tempo de modelo por requisição (mediana de 20) para um estado novo / repetido: 22.7 / 16.1 ms para seis perguntas sobre um estado curto, 108.6 / 32.3 ms para cinco perguntas sobre um estado de 2,200 tokens; 62.8 requisições/s com 64 clientes. A memória residente da GPU é 3.8 GB. As probabilidades servidas ficam dentro de 0.017 do caminho de avaliação em fp32 em 280 perguntas, com 1 resposta alterada.

Apple Silicon (MLX, bf16, M5 com 32 GB; três perguntas, uma sobre um fato plantado a 60% de profundidade; o estado é preenchido em blocos de 1,024 tokens):

Contra o PyTorch fp32 na CPU nas mesmas requisições, as respostas do MLX diferem em no máximo 0.0076 em 8k e 0.0052 em 16k tokens, sem respostas alteradas. Em 100 perguntas de estado curto, o caminho MLX fica dentro de 0.020 do caminho de avaliação em fp32, com 1 resposta alterada.

¹ Excluídos dos painéis auditados: quatro conjuntos do breadth-v1 (routerbench, cujos estados não contêm a informação pedida; cfcolor e humicroedit, no nível do acaso para todo sistema; chessbench, no piso para todo sistema); sete famílias do tasksource-heldout-v1 com rótulos inválidos ou irrecuperáveis (nomes privados); duas tarefas do devtools-v1 cujos rótulos o estado não determina (flakeflagger, tipo de mudança do commit).

² O índice corrigido pelo acaso do Decision Index 0.2 da comunidade: por conjunto de dados, (score − acaso) / (1 − acaso), com média dentro de cada área, depois 100 × a média das cinco áreas. O índice do Jev vem de uma leitura separada dos mesmos itens de teste.

Limitações e trade-offs

• É um modelo abaixo de 1B fora do domínio. Ele fica 21 pontos atrás do Jev no desenvolvimento do transfer-v4 e 31 pontos no índice do breadth-v1; conhecimento (MMLU-Pro 0.230) e paráfrase ficam perto da base não treinada. Use o Kev-4B onde a acurácia importa.
• Seus ganhos estão dentro da distribuição. As partições de treinamento do documents-v1, do hard-v1 e do devtools-v1 estão nos seus dados de treinamento; no nível difícil público do JevBench, uma checagem fora da distribuição, o estágio de documentos e habilidades o moveu +2.7 pp [−1.8, +7.2], indistinguível de zero.
• O roteamento de chamadas de ferramenta piorou. O When2Call, uma fonte apenas de avaliação, caiu de 0.260 para 0.167 no desenvolvimento e de 0.233 para 0.133 no teste, abaixo da taxa de um em quatro de acerto ao acaso entre as suas quatro opções. Não o use para roteamento de chamadas de ferramenta.
• Um resultado do devtools-v1 não tem explicação. O FlakeFlagger passou de 0.500 → 0.520 no desenvolvimento, mas de 0.507 → 0.813 no teste, em 150 perguntas por partição; trate-o como inexplicado, não como uma habilidade.
• A aritmética de datas é a sua família mais fraca: 0.35 nas perguntas da política deadline contra 0.95 do Jev; o pré-processador KEV_DATE_FACTS=1 ajuda os modelos maiores mais do que este.
• A composição de regras é fraca: ambos os irmãos de um par mínimo de política reservado estão certos em 0.422 das vezes.
• A calibração é uma única temperatura dentro da distribuição (veja Calibração). Ela não consegue reordenar confianças: a cobertura com ≤ 5% de erro fora do domínio é 0.145 no desenvolvimento contra 0.70 do Jev, então poucas decisões podem ser automatizadas com um orçamento de erro estrito.
• Comprimentos não treinados. Os estados de treinamento tinham no máximo 7,552 tokens. Estados mais longos são servidos até 65,536 tokens; até onde a acurácia se mantém é o comprimento de contexto validado acima.
• A ordem das opções pode mudar uma resposta; o isolamento de pergunta não impede isso.

Viés, riscos e considerações éticas

• Probabilidades calibradas podem criar uma confiança infundada. A temperatura foi ajustada em linhas de desenvolvimento da distribuição de treinamento e não transfere para toda carga de trabalho; meça a acurácia e a calibração em uma amostra rotulada dos seus próprios dados, e reajuste a temperatura ali (python -m kev.calibrate), antes de definir limiares.
• A acurácia e a calibração mudam sob mudança de domínio, e mais neste tamanho do que nos maiores. Monitore as taxas de erro em produção em vez de confiar nos números acima.
• Não o use para decisões automatizadas consequentes sobre pessoas sem revisão humana. Os vieses do modelo base e dos dados de treinamento (incluindo rótulos produzidos por outros modelos) não são medidos.
• Os estados podem conter dados pessoais ou confidenciais. A auto-hospedagem mantém as entradas no seu próprio hardware; o servidor é aberto a menos que KEV_API_KEY esteja definida, então aplique o seu próprio controle de acesso e política de tratamento de dados.

Computação

• Receita base: cerca de 20 minutos em uma NVIDIA H100. Estágio de datas: 9 minutos.
• Estágio de documentos e habilidades: 52 minutos em uma NVIDIA H200 (pico 23.9 GB).
• Avaliação e checagens de serviço: GPUs únicas H100 / H200 / L4 no Modal; medições MLX em um Apple M5.

Procedência e reprodutibilidade

• Código, suítes e relatórios de avaliação: github.com/jaredpalmer/kev. Números do release: runs/release/kev-08b-r15.json (scripts/release_numbers.py --release kev-08b-r15), a leitura bloqueada runs/locked/kev-08b-r15-ungated/, as leituras da família de 2026-09-30 runs/fam-08b-breadth/, runs/fam-08b-breadthtest/ e runs/fam-breadth-test-report/, o reajuste de calibração runs/r28-readout/round28.json, serviço runs/serve-08b-l4/, runs/mlx-long-states/, runs/mlx-full-0.8b/.
• Estágios: trial da base q35-08b/02-trial-2 (tag v7-base); datas night2-08b-du2/00-trial-0 (tag night2-du-release); documentos e habilidades rodada 15 r15-08b/00-trial-0 (experiments/round15/joint.json, regra experiments/rounds/r15.json). Reajuste de calibração: braço 08b-r15 da rodada 28 (experiments/rounds/r28.json).
• Pesos publicados: revisão do Hub 9a45d25e; sha256 do adaptador 9b908623…, sha256 do head.pt f400bd12… (T = 2.3511).
• Histórico de release: publicado em 2026-09-24 como o candidato confirmado da rodada 15; incluído sem alterações no Kev 1.0. O registro de como ele foi selecionado, incluindo suítes desde então aposentadas por insólidas (scienthoon, WANLI-v2, TypeSafe), é o README na revisão 9a45d25e do Hub e o PLAN.md na tag git research-archive-2026-09-24.

Citação

@misc{palmer2026kev08b,
  title        = {Kev-0.8B: a calibrated decision model on Qwen3.5-0.8B},
  author       = {Palmer, Jared},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/jaredpalmer/kev-0.8b}},
  note         = {Kev 1.0}
}

Contato

Perguntas e problemas: github.com/jaredpalmer/kev/issues.