meng shao(@shao__meng):Cognition 团队 @jaredpalmer 开源发布了 Jev-like 小型决策模型 Kev，Qwen3 底座 + LoRA 适配器 + 指针头，可自行训练、本地部署，有 0.6B / 4B / 8B 三种参数量随着各家 Jev-like 模型的发布，Qwen 小模型的含金量还在上升！ Kev 模型：https://t.co/S7xqjMVB67 能力基准：在从未训练过的域外数据上，Kev-8B 准确率 79.6%，托管专有模型 Jev 为 85.7%；开源自托管方案与商用服务还差约 6 个百分点，但已进入可用区间。四个关键卖点： · 即插即用：完全兼容 TypeSafe System One API，官方 Python SDK 只改一个 base_url 就能指向本地服务器 · 消费级硬件可跑：Kev-4B 在 32GB Mac 上以 bf16 服务，五个问题约 300ms；H100 上约 40ms · KV cache 加速：重复文档的前缀缓存命中后快 2–2.5 倍 · 训练成本极低：单张 H100，Kev-4B 训练 40 分钟，Kev-8B 仅 83 分钟

meng shao

@shao__meng

追踪 AI 前沿，精选解读一手技术资料分享 Agent 构建与 AI Coding 实践，拆解 Agent 工程架构和细节、技术选型与企业应用案例前 CTO｜AI 技术顾问 · 企业培训公众号 / 小红书：AI 启蒙小伙伴合作请私信 📮

加入 November 2023

1.1K 正在關注 34.4K 粉絲

meng shao@shao__meng

2026.09.20 23:23

Cognition 团队 @jaredpalmer 开源发布了 Jev-like 小型决策模型 Kev，Qwen3 底座 + LoRA 适配器 + 指针头，可自行训练、本地部署，有 0.6B / 4B / 8B 三种参数量随着各家 Jev-like 模型的发布，Qwen 小模型的含金量还在上升！ Kev 模型：能力基准：在从未训练过的域外数据上，Kev-8B 准确率 79.6%，托管专有模型 Jev 为 85.7%；开源自托管方案与商用服务还差约 6 个百分点，但已进入可用区间。四个关键卖点： · 即插即用：完全兼容 TypeSafe System One API，官方 Python SDK 只改一个 base_url 就能指向本地服务器 · 消费级硬件可跑：Kev-4B 在 32GB Mac 上以 bf16 服务，五个问题约 300ms；H100 上约 40ms · KV cache 加速：重复文档的前缀缓存命中后快 2–2.5 倍 · 训练成本极低：单张 H100，Kev-4B 训练 40 分钟，Kev-8B 仅 83 分钟