RepoRadar Kev: компактные модели принятия решений для разработчиков
Kev — это набор компактных моделей принятия решений, построенных на Qwen3.5, которые ты можешь тренировать и запускать сам. Основная задача проекта — предоставить инструменты для обучения небольших и эффективных решений, аналогичных Jev, что позволяет разработчикам внедрять их в свои приложения.
Отличие от более громоздких альтернатив в том, что Kev ориентирован на простоту использования и предоставление гибкости при работе с различными типами вопросов: да/нет, множественный выбор и шкала оценок. Модели могут работать на CUDA, ROCm и Apple Silicon, что расширяет их доступность для разработчиков на разных платформах.
Проект включает в себя предобученные веса для моделей размером 0.8B, 4B и 9B, а также код для их тренировки и оценочные наборы. Однако стоит учесть, что для полноценной работы потребуется использовать Python SDK от TypeSafe, который необходимо настраивать локально. Лицензия Apache-2.0 позволяет использовать проект в коммерческих целях.
Информация о проекте
Проект Kev представляет собой набор небольших моделей решений, основанных на архитектуре Qwen3.5. Он позволяет пользователям обучать и запускать собственные модели, аналогичные Jev. Kev поддерживает предобученные веса и совместимость с API TypeSafe, что упрощает интеграцию с Python SDK.
Краткие особенности
- Модели на 0.8B, 4B и 9B, включая код для обучения и данные для оценки.
- Поддержка вопросов на да/нет, множественный выбор и оценка в одном запросе.
- Запускается на CUDA, ROCm и Apple Silicon с различной производительностью.
- Интерфейс для веб-игровой площадки, где можно протестировать вводимые данные и увидеть влияние порядка вариантов на ответы.
Установка и запуск
Чтобы установить Kev, потребуются Python версии 3.12+ и библиотека uv.
git clone https://github.com/jaredpalmer/kev.git && cd kev
uv sync --extra serve
KEV_DTYPE=bf16 uv run --extra serve python -m kev.serve --run jaredpalmer/kev-4b --port 8009
Эти команды запустят модель Kev-4B локально. При первом запуске будет загружен адаптер и базовая модель. Также можно указать локальную директорию с контрольной точкой или версию из Hub.
Использование API
Для взаимодействия с моделью через API используй следующий пример запроса к локальному серверу:
curl -s localhost:8009/v1/systemone -H 'content-type: application/json' -d '{
"state": "Shoes arrived two weeks late and in the wrong size. Also I see two charges on my card.",
"model": "kev-latest",
"questions": {
"department": {"type": "choice", "instructions": "Which team should handle this?",
"criteria": {"returns": "Exchanges, refunds, wrong or damaged items",
"shipping": "Delivery status, delays, lost packages",
"billing": "Charges, invoices, payment problems"}},
"escalate": {"type": "noul", "instructions": "Does this need urgent human attention?"},
"frustration": {"type": "score", "instructions": "How frustrated is the customer?",
"criteria": ["Calm", "Frustrated", "Very angry"]}
}}'
Ответ будет содержать вероятности для каждого вопроса и дает возможность использовать более одного варианта ответа в одном запросе, что удобно для автоматизации обработки заявок.
Ограничения
- Модели могут иметь медленную производительность на Apple Silicon.
- Изменение порядка вариантов может повлиять на ответы.
- Обучение может ограничивать способности базовой модели в определенных задачах.
- Сервер обрабатывает только один запрос одновременно.
Рекомендуется заранее протестировать модели на своей базе данных, прежде чем привязываться к определённым порогам вероятности для автоматизации решений.
Радар проекта: 73 из 100 — крепкий проект
- Импульс 96 ≈ 165 звёзд в день
- Темп разработки 100 342 коммита за 12 недель
- Зрелость 35 проекту 56 дней, 3 релиза
- Сообщество 63 13 участников, 673 форка
- Свежесть 94 последний коммит — 10 дней назад
- Быстрый старт 50 есть: команда установки
- Готовность к продакшену 90 релиз kev-1.0, автосборка, тесты
- Безопасность и доверие 40 лицензия Apache-2.0
- Документация 94 README 27.3 тыс. знаков, 21 раздел, папка docs
- Экосистема 64 33 подписчика на обновления, 3 темы
Как считаем
Только открытые данные GitHub на 07.11.2026, без оценок нейросети. Каждая ось — от 0 до 100, итог — среднее.
- Импульс — звёзд в день: за время наших замеров, а пока их нет — за всю жизнь проекта; 200 в день — максимум.
- Темп разработки — коммитов за последние 12 недель; 300 — максимум. Пока GitHub не досчитал статистику, ось не учитывается.
- Зрелость — возраст проекта (3 года — максимум) и число релизов (30 — максимум), поровну.
- Сообщество — участников с коммитами (200 — максимум) и форков (5000 — максимум), поровну.
- Свежесть — дней с последнего коммита: сегодня — 100, полгода и больше или архив — 0.
- Быстрый старт — в README есть команда установки, раздел «быстрый старт» или примеры использования, в репозитории — Docker и папка примеров, у проекта есть сайт или демо.
- Готовность к продакшену — релизы, версия 1.0 и выше, автосборка (GitHub Actions), тесты, лицензия, журнал изменений.
- Безопасность и доверие — открытая лицензия (своя — половина балла), политика безопасности (SECURITY.md), проект организации, правила для участников, не в архиве.
- Документация — объём и структура README, папка docs или сайт, оценка «здоровья сообщества» GitHub.
- Экосистема — звёзды (50 тыс. — максимум), подписчики на обновления (1000 — максимум), темы репозитория.
Открыть на GitHub: jaredpalmer/kev →
