决策模型 · 资料核对于 2026 年 9 月 27 日
Jev vs Kev
两者都能针对明确的问题返回结构化概率。Jev 是托管 API；Kev 是可以自行训练和运行的开放模型系列。
托管 API
Jev
向 Jev 发送状态和问题，即可获取答案，无需运维模型服务。
开放权重
Kev
在本地或自己的服务端运行基于 Qwen 的决策模型，并用自己的标签数据微调。
并排对比
实际差异在哪里
Kev 沿用 System One 请求格式，支持 noul、choice 和 score 问题。主要差别在于谁负责运行模型，以及你需要多大程度的自定义。
部署
TypeSafe 托管 API；无需运维模型基础设施。
可在本地、自有 GPU 或自行部署的云端点运行。
许可
专有托管模型。
项目与基础模型为 Apache-2.0；训练数据集另有各自许可。
模型选择
通过 API 使用托管的 Jev 模型。
公开的 0.8B、4B、9B 和 27B 检查点，硬件需求各不相同。
接口
System One API，支持 noul、choice 和 score 问题。
兼容 /v1/systemone 格式；TypeSafe Python SDK 可指向 Kev 服务。
自定义
在每次请求中定义问题和判断标准。
定义问题，还可用自己的标注样本微调已发布的检查点。
概率
返回概率，供应用设置决策阈值。
检查点附带拟合温度；仍需用自己的数据验证阈值。
公开评测
准确率数字需要结合口径看
Kev 的 README 发布了新来源样本开发集上的准确率。以下是该项目公布的 Jev 与 Kev-27B 数字，越高越好。
Jev
85.7%
新来源样本开发集准确率；该 README 未公布 Jev 的测试集结果。
Kev-27B
84.8%
新来源样本开发集准确率；README 另公布 Kev 测试集结果为 89.6%。
这些数字来自 Kev 自己的评测，不是严格受控的架构对比。Jev 的训练数据是否与评测集重叠未知，且只有 Kev 公布了测试集分数。设置阈值前，请在自己的标注数据上评测两者。 Kev README 与模型表格
如何选择
先看你的运维需求
需要托管 API，选 Jev
你希望直接接入结构化决策，无需配置 GPU、部署检查点或管理模型更新。
需要自主控制，选 Kev
你需要开放权重、本地部署，或用自有标注决策数据微调模型，并且能够运维推理服务。
Kev 是 Jared Palmer 的独立项目。Jev AI 与 Kev 或 TypeSafe 均无隶属或背书关系。仓库信息和数字核对于 2026 年 9 月 27 日。