Kev-9B

Resumo do modelo

O Kev-9B 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 é indicado para desenvolvedores que classificam, roteiam, fazem triagem ou conferem documentos e que precisam de probabilidades que possam receber limiar, por exemplo para enviar casos incertos à revisão humana. 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 um adaptador LoRA e uma cabeça de ponteiro sobre o Qwen3.5-9B-Base e cabe em uma GPU de classe 24 GB. Esta ficha descreve a versão 2, lançada em 2026-09-30 e incluída no Kev 1.0.

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 sobre documentos de alguns milhares de tokens: classificação, roteamento, triagem, escolhas de extração, verificações de política e elegibilidade, e julgar uma resposta proposta contra critérios declarados.
• Fluxos de trabalho que agem com base na confiança: automatize os casos confiantes e coloque o resto na fila, com limiares congelados em uma amostra rotulada da carga de trabalho do próprio usuário.
• Um substituto direto e auto-hospedado para um endpoint System One em uma única GPU de classe 24 GB, e um ponto de partida para ajuste fino nos rótulos do próprio usuário (kev.train --init_from jaredpalmer/kev-9b).

Usos fora de escopo

• Geração de texto, chat, sumarização ou respostas a perguntas abertas. O modelo apenas pontua as opções que recebe.
• Decisões totalmente automatizadas com consequências legais, médicas, financeiras, trabalhistas ou semelhantes para pessoas, sem revisão humana.
• Perguntas cuja resposta depende de fatos que não estão no estado e não são conhecimento geral, e exames com muito conhecimento (veja Limitações).
• Aritmética de datas com precisão de dia sem o pré-processador KEV_DATE_FACTS=1, 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 L40S ou H100; cerca de 22 GB residentes); 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-9b --port 8008          # v2, Kev 1.0 (this card)
uv run --extra serve python -m kev.serve --run jaredpalmer/kev-9b@v1 --port 8008       # v1

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. KEV_DATE_FACTS=1 anexa o número de dias entre cada par de datas encontrado no estado, que o modelo foi treinado para usar. 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 10,000 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 5e-5, agenda one-cycle; lote efetivo 8 (4 × 2 de acúmulo); autocast bf16, gradient checkpointing. 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 2e-5 e 2,000 registros repetidos. Esta é a v1.
3. Documentos e habilidades. Uma época a partir da v1 nos três conjuntos de treinamento juntos, com taxa de aprendizado 2e-5 e 10,000 registros repetidos; lote 2 × 4 de acúmulo; estados de no máximo 7,552 tokens; semente 1; 3,318 passos do otimizador.
4. Calibração. Uma única temperatura, T = 2.19, minimizando a log-verossimilhança negativa em 648 perguntas de conjuntos de dados reservados: 448 da partição de calibração do transfer-r3 (seis conjuntos de dados públicos, QNLI, SciQ, TweetEval-offensive, PAWS, MMLU e Emotion, mais duas famílias reservadas de registros de política gerados) e 200 perguntas de MMLU-Pro (transfer-v9 development). O pool foi conferido contra as suítes de treinamento do checkpoint antes do ajuste.

Avaliação

Metodologia. Toda comparação é contra o Kev-9B v1 em itens idênticos, cada modelo na sua própria temperatura de serviço (v1: 2.30). As comparações e suas réguas foram registradas antes das leituras de confirmação; partições de teste foram lidas uma vez para este checkpoint; o teste do transfer-v4 é bloqueado (lido uma vez por candidato). 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.
• transfer-v4: decisões fora do domínio de seis fontes públicas nunca treinadas mais políticas e estruturas de regra reservadas.
• transfer-r3: um painel de estado curto das mesmas oito fontes reservadas do pool de calibração.
• 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 do devtools-v1 excluem duas tarefas cujos rótulos o estado não determina (flakeflagger, tipo de mudança do commit); as mesmas linhas saem dos dois lados.

Resultados contra a v1 (confirmação registrada).

Dados reservados (nunca treinados).

Contra a v1, a diferença de acurácia do breadth-v1 é +0.3 [−0.7, +1.3] no desenvolvimento e +0.6 [−0.4, +1.6] no teste. O tasksource-heldout-v1 development foi lido para este checkpoint, mas o seu read-out não está completo; ele não é reportado aqui.

Famílias treinadas (itens e templates reservados).

Diferenças de teste contra a v1: hard-v1 +25.0 [+22.0, +28.1], devtools-v1 (todas as fontes) +15.4 [+11.0, +19.4], documents-v2 +8.0 [+5.9, +10.2].

Documentos longos.

• Comprimento de contexto validado: 8,192 tokens, o comprimento treinado. O bucket de 16k está fora da tolerância: seu limite inferior é −3.7 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 = 2.19. 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/r29-9b-r18a-longdoc).

Calibração (erro de calibração esperado, ECE, conforme servido; menor é melhor):

O intervalo bootstrap de 90% da temperatura é [2.05, 2.41]. O 2.30 da v1 foi ajustado em linhas de desenvolvimento da própria distribuição de treinamento dela; a v2 é o primeiro 9B servido a uma temperatura ajustada em conjuntos de dados reservados.

Outros resultados.

Serviço. CUDA, bf16 com kernels fundidos e CUDA graphs; tempo de modelo por requisição (mediana de 20) para um estado novo / repetido, medido na v1 (a mesma arquitetura e formato de adaptador):

A memória residente da GPU é 21.9 GB. As probabilidades servidas ficam dentro de 0.017 do caminho de avaliação em fp32 em 280 perguntas, sem respostas alteradas. No caminho de avaliação em fp32 (H100, v2), estados de 16k / 32k / 64k tokens levam 5.1 / 10.9 / 25.4 s e 4.6 / 9.1 / 18.2 GiB acima dos pesos.

Apple Silicon (MLX): as medições de estado longo feitas para o Kev-0.8B e o Kev-4B não foram feitas neste tamanho; no M5 de 32 GB usado para elas, o backbone bf16 de 19.3 GB e o seu conjunto de trabalho não couberam na memória disponível.

¹ 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

• Seleção. Este checkpoint foi treinado e lido em dados de desenvolvimento numa rodada anterior, e re-selecionado sob uma regra posterior com aqueles números conhecidos. As partições de teste e a leitura bloqueada, cada uma lida uma vez para ele, são a proteção; trate as margens de desenvolvimento como otimistas.
• Seus grandes ganhos estão dentro da distribuição. As partições de treinamento do hard-v1, do devtools-v1 e do documents-v1 estão nos seus dados de treinamento; esses ganhos são itens e templates reservados de famílias treinadas, não transferência para tarefas novas.
• Ele não é melhor que a v1 em trabalho novo. breadth-v1 test +0.6 pp [−0.4, +1.6], transfer-v4 development −0.2 pp [−2.4, +1.8], transfer-r3 test +0.0 pp [−1.2, +1.2]. O Kev-27B o supera em 11 pontos no índice do breadth-v1, e o Jev em 13.
• O conhecimento é definido pela base. O MMLU-Pro é 0.590, contra 0.675 do Kev-27B e 0.840 do Jev.
• A aritmética de datas é a sua família mais fraca: 0.725 nas perguntas da política deadline contra 0.95 do Jev; o pré-processador KEV_DATE_FACTS=1 ajuda.
• Calibração. O devtools-v1 é a sua suíte menos calibrada (test ECE 0.098). O intervalo da temperatura é [2.05, 2.41]. A temperatura foi gravada em head.pt a partir do ajuste de pool registrado, com o motivo registrado, porque o script de calibração não consegue listar as fontes do arquivo de treinamento combinado para reconferir o próprio pool; a checagem da própria rodada o tinha coberto. Essa checagem não cobre os dados de datas e evidência ausente da v1, cujo manifesto não lista fontes; esses registros são quatro famílias geradas, nenhuma delas no pool.
• 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 conjuntos de dados públicos reservados 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. 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 e estágio de datas (v1): GPUs únicas NVIDIA H100.
• Estágio de documentos e habilidades: 2.6 horas em uma NVIDIA H200 (pico 74.1 GB).
• Avaliação e checagens de serviço: GPUs únicas H100 / H200 / L40S no Modal.

Procedência e reprodutibilidade

• Código, suítes e relatórios de avaliação: github.com/jaredpalmer/kev. Números do release: runs/release/kev-9b-r27.json (scripts/release_numbers.py --release kev-9b-r27); regra e veredictos registrados experiments/rounds/r27.json, runs/r27-readout/, runs/r27-verdict/; as leituras da família de 2026-09-30 runs/fam-9bnew-breadth/, runs/fam-9b-breadth/ e runs/fam-breadth-test-report/; ood-v2 runs/r29-9b-r18a-ood/; serviço runs/serve-9b-l40s/, runs/serve-9b-h100/, runs/long-state-9b-h100/.
• Estágios: trial da base q35-9b/01-trial-1 (tag v7-base); datas night2-9b-du/00-trial-0 (v1, tag v1); documentos e habilidades rodada 18 braço (a) r18-9b/00-trial-0 (experiments/round18/joint.json), selecionado e confirmado como 9b-r18a da rodada 27.
• Pesos publicados: commit do Hub b5d8c18e; sha256 do adaptador 2b2a70cf4ef4440b6c22899e1f72c2f8ea5c6f65b19aa344539b4b8971d1f13d, sha256 do head.pt 8e1dab2c… (T = 2.1936).
• Verificação: carregado anonimamente do Hub, reproduziu as respostas da avaliação pré-release em 252 de 252 linhas do SemIf e 764 de 764 linhas de desenvolvimento do transfer-v4 na T = 2.19 (runs/rel9-public/).

Citação

@misc{palmer2026kev9b,
  title        = {Kev-9B: a calibrated decision model on Qwen3.5-9B},
  author       = {Palmer, Jared},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/jaredpalmer/kev-9b}},
  note         = {Version 2, released 2026-09-30; Kev 1.0}
}

Contato

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