Kev-4B

Resumo do modelo

O Kev-4B é um modelo de decisão. 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, numa única passagem direta e sem gerar texto. Destina-se a programadores que classificam, encaminham, triam ou verificam documentos e que precisam de probabilidades que possam ser usadas com limiares, por exemplo para enviar casos incertos para revisão humana. Implementa a API pública System One da TypeSafe (POST /v1/systemone), por isso o SDK da TypeSafe funciona com ele sem alterações. É um adaptador LoRA e uma cabeça de ponteiro sobre o Qwen3.5-4B-Base, suficientemente pequeno para uma GPU de 24 GB ou um Mac Apple Silicon de 32 GB. 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 etiquetado) e qualquer número de perguntas nomeadas, cada uma de um de três tipos:

Cada pergunta é respondida como a sua própria linha que continua a partir do estado partilhado, por isso as perguntas não se podem influenciar mutuamente; o estado é calculado uma vez e colocado em cache.

Utilizações previstas

• Decisões tipadas sobre documentos de alguns milhares de tokens: classificação, encaminhamento, triagem, escolhas de extração, verificações de política e elegibilidade, e avaliação de uma resposta proposta contra critérios indicados.
• Fluxos de trabalho que agem com base na confiança: automatizar os casos com confiança e pôr o resto em fila, com os limiares fixados numa amostra etiquetada da carga de trabalho do próprio utilizador.
• Um substituto auto-alojado e imediato para um endpoint System One em hardware modesto, e um ponto de partida para ajuste fino nas próprias etiquetas do utilizador (kev.train --init_from jaredpalmer/kev-4b).

Utilizações fora do âmbito

• Geração de texto, conversa, resumo ou resposta a perguntas abertas. O modelo apenas pontua as opções que lhe são dadas.
• Decisões totalmente automatizadas com consequências legais, médicas, financeiras, laborais ou semelhantes para pessoas, sem revisão humana.
• Perguntas cuja resposta depende de factos que não estão no estado e não são conhecimento geral, e exames com muito conhecimento (vê Limitações).
• Aritmética de datas com precisão ao dia sem o pré-processador KEV_DATE_FACTS=1, estados com mais de 65,536 tokens e idiomas diferentes do inglês.

Como usar

Serve-o com o repositório do Kev. Em CUDA corre em bf16 com kernels DeltaNet fundidos e grafos CUDA (uma L40S, uma H100 ou qualquer GPU com cerca de 16 GB livres); em Apple Silicon o mesmo comando serve-o 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-4b --port 8008           # Kev 1.0 (this card)
uv run --extra serve python -m kev.serve --run jaredpalmer/kev-4b@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 predefinição; KEV_TEMPERATURE=1.0 devolve as probabilidades em bruto. KEV_DTYPE=fp32 seleciona o caminho exato usado para avaliação. KEV_DATE_FACTS=1 acrescenta o número de dias entre cada par de datas encontradas no estado, que o modelo foi treinado para usar. Um estado com mais de 65,536 tokens é recusado com um 422 que indica a sua contagem de tokens.

Dados de treino

Cada etapa de ajuste fino após a primeira repete registos de decision-v7 (2,000, 2,000 e 4,000). Não foi usada nenhuma saída do Jev (o modelo de decisão alojado da TypeSafe). O CodeReviewer e o FlakeFlagger vêm do Zenodo; as narrativas do CFPB são obras do governo dos EUA; as licenças e revisões por fonte ficam registadas nos manifestos das suites. As suites 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 treino.

Procedimento de treino

1. Receita base. Duas épocas em decision-v7 a partir da base: LoRA de rank 16, α 32; taxa de aprendizagem 5e-5, agenda de ciclo único; lote efetivo 8 (4 × 2 de acumulação); autocast bf16, gradient checkpointing; semente 2. A perda é a entropia cruzada sobre as opções de cada pergunta. A ordem das opções é baralhada, opções “nenhuma das anteriores” e distratores são inseridos ao acaso, e um quarto dos registos choice também produz um par mínimo (a pergunta com uma opção “nenhuma das anteriores”, uma vez com a opção correta presente e outra com ela removida).
2. Datas e prova em falta. Uma época a partir da etapa 1 com taxa de aprendizagem 2e-5 e 2,000 registos repetidos.
3. Documentos reais. Uma época a partir da etapa 2 no documents-v1 train com taxa de aprendizagem 2e-5 e 2,000 registos repetidos; lote 2 × 4 de acumulação; estados de no máximo 7,552 tokens.
4. Skills. Uma época a partir da etapa 3 no hard-v1 e no devtools-v1 train em conjunto, com taxa de aprendizagem 2e-5 e 4,000 registos repetidos; lote 2 × 4 de acumulação; estados de no máximo 7,552 tokens; semente 1; 1,915 passos do otimizador.
5. Calibração. Uma única temperatura, T = 2.41, que minimiza a log-verosimilhança negativa nas linhas de desenvolvimento do decision-v7 do ensaio da etapa 4 (1,264 perguntas). Estes são itens reservados de um corpus de treino. Um reajuste em conjuntos de dados reservados foi avaliado e não adotado (vê Calibração).

Avaliação

Metodologia. Cada número é o caminho de avaliação em fp32 à temperatura de distribuição, salvo indicação em contrário. As partições de desenvolvimento foram usadas para seleção; as partições de teste foram lidas uma vez para este checkpoint; o teste transfer-v4 está bloqueado (lido uma vez por candidato) e foi julgado contra um nível fixado de antemão. Os intervalos emparelhados são bootstraps de 95 % que reamostram registos inteiros (2,000 reamostragens), por isso as perguntas que partilham um estado movem-se em conjunto. As diferenças são em pontos percentuais (pp). O Jev (o modelo alojado da TypeSafe, consultado através do Vercel AI Gateway) é mostrado onde foi lido nos mesmos itens. As suites:

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

Os painéis de destaque marcados como “auditados” excluem itens que uma auditoria de etiquetas considerou sem fundamento¹; cada exclusão remove as mesmas linhas dos dois lados de uma comparação.

Dados reservados (nunca treinados).

Famílias treinadas (itens e templates reservados).

O valor devtools-v1 do Jev é sobre todas as 1,074 perguntas de desenvolvimento; as linhas do Kev excluem um id do CodeReviewer que o construtor da suite reutilizou em dois registos (2 perguntas).

Contra a versão anterior (o checkpoint da etapa de documentos, tag r8-documents-release, à sua própria temperatura 2.96; critérios registados, cada teste lido uma vez):

Documentos longos.

• Comprimento de contexto validado: 8,192 tokens, o comprimento treinado. O intervalo de 16k está fora da tolerância: o seu limite inferior é −3.4 pp, abaixo de −3 pp, por isso nenhum comprimento maior é validado.
• Regra, fixada antes da leitura: o comprimento validado é o tamanho nominal do maior intervalo a partir de 16,384 tokens tal que ele, e cada intervalo entre ele e 8,192, está dentro da tolerância. Dentro da tolerância significa que a diferença de precisão CUAD em relação ao intervalo de 8k (estados de 6,553–7,618 tokens, o comprimento treinado), emparelhada no mesmo contrato, repetição e pergunta, tem um limite inferior de 95 % de pelo menos −3 pp, e todos os registos foram respondidos. Se o intervalo de 16k falhar, o comprimento validado é 8,192 tokens.

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

ECE à temperatura de distribuição T = 2.41. Δ é emparelhado nas 445–447 perguntas feitas sobre os mesmos contratos em ambos os comprimentos. O intervalo de 4k contém contratos diferentes e não é referência para a regra. Fonte: runs/r28-readout/context.json (leitura registada da ronda 28, runs/r28-4b-r10-longdoc).

Calibração (erro de calibração esperado, ECE, à temperatura de distribuição T = 2.41; mais baixo é melhor):

A temperatura de distribuição foi ajustada em itens reservados de um corpus de treino, o que as regras do projeto já não permitem para um novo lançamento. Um reajuste registado em 648 perguntas de conjuntos de dados reservados (a partição de calibração do transfer-r3, oito fontes, e 200 perguntas MMLU-Pro) dá T = 2.30 (intervalo bootstrap de 90 % [2.05, 2.52]). Nas 4,468 perguntas de desenvolvimento auditadas do breadth-v1 e do tasksource-heldout-v1 não melhora o valor de distribuição: Brier 0.368 em ambos, uma diferença de −0.0001 [−0.0005, +0.0003], e ECE 0.025 contra 0.024. A regra exigia um intervalo de Brier abaixo de zero e um ECE mais baixo, por isso T = 2.41 mantém-se. As respostas não dependem de T.

Outros resultados.

Serviço. CUDA, bf16 com kernels fundidos e grafos CUDA; tempo de modelo por pedido (mediana de 20) para um estado novo / repetido:

A memória de GPU residente é 14.3 GB. As probabilidades servidas mantêm-se dentro de 0.017 do caminho de avaliação fp32 em 280 perguntas, sem respostas alteradas. No caminho de avaliação fp32 (H100), estados de 16k / 32k / 64k tokens demoram 3.0 / 6.8 / 17.2 s e 4.3 / 8.6 / 17.2 GiB acima dos pesos.

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

Em 60 perguntas de estado curto, o caminho MLX está dentro de 0.018 do caminho de avaliação fp32, sem respostas alteradas.

¹ Excluídos dos painéis auditados: quatro conjuntos de dados do breadth-v1 (routerbench, cujos estados não têm a informação pedida; cfcolor e humicroedit, ao nível do acaso para todos os sistemas; chessbench, no fundo da escala para todos os sistemas); sete famílias do tasksource-heldout-v1 com etiquetas inválidas ou irrecuperáveis (nomes privados); duas tarefas do devtools-v1 cujas etiquetas o estado não determina (flakeflagger, tipo de alteração de commit).

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

Limitações e compromissos

• Os seus maiores ganhos são em distribuição. As partições de treino do hard-v1, devtools-v1 e documents-v1 estão nos seus dados de treino, e um item de teste do hard-v1 é um novo template de um gerador treinado. Em conjuntos de dados reservados fica atrás do Jev em 16 pontos no índice breadth-v1, e no nível difícil público do JevBench, uma verificação fora da distribuição, a etapa de skills ganhou cerca de um terço do que ganhou no hard-v1 (+9.0 pp [+2.7, +15.3] em 111 itens).
• Algumas etiquetas do devtools-v1 são aproximações. Antes do treino, todos os modelos avaliados, incluindo o Jev, estavam perto do acaso no CodeReviewer e no FlakeFlagger; depois de treinar nessas fontes chega a 0.633 e 0.693 no development, o que pode ser a heurística de etiquetagem a ser aprendida e não a decisão.
• O conhecimento é determinado pela base. O MMLU-Pro é 0.565 contra 0.840 do Jev.
• A aritmética de datas é a sua família mais fraca: 0.65 nas perguntas da política deadline contra 0.95 do Jev. O pré-processador KEV_DATE_FACTS=1 ajuda (no checkpoint anterior de que este descende, 0.60 → 0.85); não foi remedido neste checkpoint.
• A calibração é uma temperatura em distribuição. Está bem calibrado em conjuntos de dados reservados (breadth-v1 test ECE 0.029), menos nas famílias treinadas de skills e documentos (ECE 0.084–0.101), e uma única temperatura não consegue reordenar as confianças: a cobertura a ≤ 5 % de erro fora da distribuição é 0.620 no development contra 0.70 do Jev.
• Comprimentos não treinados. Os estados de treino eram no máximo 7,552 tokens. Estados mais longos são servidos até 65,536 tokens; até onde a precisão aguenta é o comprimento de contexto validado acima.
• A ordem das opções pode mudar uma resposta; o isolamento das perguntas não impede isto.

Enviesamento, riscos e considerações éticas

• As probabilidades calibradas podem criar uma confiança infundada. A temperatura foi ajustada em linhas de desenvolvimento da distribuição de treino e não se transfere para todas as cargas de trabalho; mede a precisão e a calibração numa amostra etiquetada dos teus próprios dados, e reajusta aí a temperatura (python -m kev.calibrate), antes de definires limiares.
• A precisão e a calibração mudam com a mudança de domínio. Monitoriza as taxas de erro em produção em vez de confiares nos números acima.
• Não o uses para decisões automatizadas consequentes sobre pessoas sem revisão humana. Os enviesamentos do modelo base e dos dados de treino (incluindo etiquetas produzidas por outros modelos) não são medidos.
• Os estados podem conter dados pessoais ou confidenciais. O auto-alojamento mantém as entradas no teu próprio hardware; o servidor está aberto a menos que KEV_API_KEY esteja definido, por isso aplica o teu próprio controlo de acesso e política de tratamento de dados.

Computação

• Receita base: cerca de 56 minutos numa NVIDIA H100 (pico 24.6 GB). Etapa de datas: 9 minutos numa H100.
• Etapa de documentos: 43 minutos numa NVIDIA H200. Etapa de skills: 1.4 horas numa H200 (pico 47.7 GB).
• Verificações de avaliação e serviço: GPUs H100 / H200 / L40S individuais no Modal; medições do MLX num Apple M5.

Proveniência e reprodutibilidade

• Código, suites e relatórios de avaliação: github.com/jaredpalmer/kev. Números de lançamento: runs/release/kev-4b-r10.json (scripts/release_numbers.py --release kev-4b-r10), a leitura bloqueada runs/locked/kev-4b-r10-ungated/, as leituras da família de 2026-09-30 runs/fam-4b-breadth/, runs/fam-4b-breadthtest/, runs/fam-4b-docs1test/ e runs/fam-breadth-test-report/, o reajuste de calibração runs/r28-readout/round28.json, o serviço runs/serve-4b-l40s/, runs/grouping-4b-h100/, runs/long-state-4b-h100/, runs/mlx-long-states/, runs/mlx-full-4b/.
• Etapas: ensaio base q35-4b-s23/00-trial-0 (tag v7-base); datas night2-4b-du/00-trial-0 (tag night2-du-release); documentos ronda 8 r8-small/00-trial-0 (tag r8-documents-release); skills ronda 10 r10-skills/00-trial-0 (experiments/round10/skills.json, regra experiments/rounds/r10.json). Reajuste de calibração: braço 4b-r10 da ronda 28 (experiments/rounds/r28.json).
• Pesos lançados: revisão do Hub 139fdd94; sha256 do adaptador 90e81735…, sha256 do head.pt dd633435… (T = 2.4061).
• Histórico de lançamento: publicado em 2026-09-24 como o candidato confirmado da ronda 10; incluído sem alterações no Kev 1.0. O registo de como foi selecionado, incluindo suites entretanto retiradas por serem infundadas (scienthoon, WANLI-v2, TypeSafe), é o README na revisão do Hub 139fdd94 e o PLAN.md na tag git research-archive-2026-09-24.

Citação

@misc{palmer2026kev4b,
  title        = {Kev-4B: a calibrated decision model on Qwen3.5-4B},
  author       = {Palmer, Jared},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/jaredpalmer/kev-4b}},
  note         = {Kev 1.0}
}

Contacto

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