Kev 是開發者 Jared Palmer 釋出的開源決策模型系列，目的是讓開發者能在自己的電腦上訓練與執行類似 Jev 的小型決策模型，不必仰賴外部 API 服務。專案提供 0.8B、4B、9B 三種參數規模，方便依照硬體條件挑選使用。
Kev 以 Qwen3.5 作為基礎模型，加上秩為 16 的 LoRA 適配器與指針頭架構，用來處理是非題、多選題與評分題三種決策格式。核心技巧是「注意力遮罩隔離機制」：模型在同一次推論中可以同時處理多個問題，每個問題都能讀取共用狀態與自身指令，但彼此之間互不可見，藉此確保每個判斷都是獨立且準確的。
專案訓練資料只用了一萬筆公開範例，Kev-9B 在新領域測試的準確度達到 0.852，信心誤差經校正後從 0.106 降到 0.042，並支援在 CUDA 與 Apple Silicon 上運行。這種「小而準」的路線提供了另一種思路，因此在 Hacker News 上獲得三百多點讚與熱烈討論。
這則新聞對正在學程式的孩子很有參考價值：它示範了不是所有 AI 應用都需要巨大的模型與昂貴的雲端 API，用一台個人電腦，加上公開的基礎模型與少量資料，就能訓練出解決特定問題的小工具。這也呼應程式忍者一貫的想法，先把問題想清楚，再挑合適大小的工具來解決，而不是一味追求「越大越好」。
AI開源機器學習開發工具