Kev خدام

Kev هو عائلة ديال نماذج اتخاذ القرار مفتوحة المصدر طوّرها Jared Palmer، نائب رئيس الهندسة فـ Cognition، مبنية على Qwen3.5/Qwen3.8، وكتوفّر نماذج من 0.8B حتى 27B. Kev ما كيولّدش النصوص؛ كيدخل ليه نص الحالة مع أسئلة مهيكلة، وكيخرّج مباشرة فـ forward واحد احتمالات معايرة. كيدعم ثلاثة أنواع ديال القرارات: نعم/لا، التوجيه حسب الاختيارات، والتنقيط حسب المستوى، وكيوافق API ديال TypeSafe System One.

اتخاذ القرار المهيكل: كتدخل نص الحالة مع مجموعة ديال الأسئلة المهيكلة، وكيخرّج الطلب الواحد مباشرة الاحتمال المعاير ديال كل اختيار، بلا ما يولّد حتى نص تفسيري.
ثلاثة بدائيات للقرار: كيدعم noul وchoice وscore.
عزل الأسئلة فالدُّفعات: الأسئلة المتعددة كتشترك فنفس حالة الإدخال، ولكن قناع الانتباه كيعزلها على بعضها؛ وكيجاوب على جميع الأسئلة فانتشار أمامي واحد بلا ما يأثر سؤال على الآخر.
النشر المحلي: كيوفّر الأمر kev.serve باش تشغّل الخدمة فسطر واحد، وكيكشف نقطة النهاية POST /v1/systemone، ومتوافق مع CUDA وROCm وApple Silicon (MLX).
الضبط الدقيق بتكلفة منخفضة: كيدعم مواصلة التدريب باستعمال بياناتك الموسومة انطلاقاً من checkpoint الرسمي، ومعاه مهارة kev-finetune اللي كتخلي coding agent يدير أوتوماتيكياً ترتيب البيانات والتدريب والتقييم والنشر كاملين.
نظام تقييم مدمج: فيه مجموعة تقييم ثابتة، وكيقدّم الدقة وBrier score وخطأ المعايرة ونسبة القرارات القابلة للأتمتة، وCI كيتحقق أوتوماتيكياً من أرقام الإصدار.

تابعنا على微信 وردّ بكلمة “开源” باش تنضم لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
رأس المؤشر كيحوّل التوليد لتصنيف: Kev كيجمّد أوزان Qwen الأساسية، وكيزيد عليها محوّل LoRA برتبة 16 ورأس مؤشر. كيتحسب التنقيط بين الحالة المخفية ديال كل اختيار والحالة المخفية ديال السؤال، ومن بعد كتتحسب الاحتمالات عبر softmax. بمعنى آخر، كيتحوّل سؤال “الكتابة” ديال النموذج الكبير لسؤال “اختيار”، بلا توليد token وراء token.
الانتباه السببي على شكل كتل كيعزل الأسئلة: تسلسل الإدخال كيتنظّم على شكل “حالة + كتل متعددة ديال الأسئلة”، وقناع الانتباه كيخلي كل token يقرا غير الحالة والمحتوى الداخلي ديال السؤال ديالو. وكيعاود رقم الموضع العدّ من جديد فكل سؤال، وبهذا يقدر forward واحد يجاوب على أسئلة متعددة ما بينهاش علاقة، مع مشاركة حساب الحالة ومنع تسريب المعلومات بينها. فالنماذج بحال Qwen3.5/3.8 اللي كتجمع Gated DeltaNet، كيتنظّم كل سؤال فصف مستقل وكيعاود يستعمل cache ديال الحالة KV، وكيكون العزل أكثر صرامة.
التدريب والمعايرة: كيتدرّب الـadapter ورأس المؤشر باستعمال cross-entropy على التصنيفات الصحيحة، بينما القاعدة كتبقى مجمّدة طوال العملية. كل checkpoint كيتعاير عليه معامل حرارة باستعمال بيانات محجوزة، ومن بعد كيخرّج الاستدلال الاحتمالات المعايرة مباشرة. معامل الحرارة ما كيبدّلش الترتيب، غير كيعاير قيم الثقة.

تحضير البيئة: ثبّت Python 3.12/3.13 وuv، ومن بعد كلون المستودع ونفّذ uv sync --extra serve لتثبيت الاعتماديات.
تشغيل الخدمة محلياً: شغّل KEV_DTYPE=bf16 uv run --extra serve python -m kev.serve --run jaredpalmer/kev-4b --port 8009 باش تشغّل النموذج؛ فأول تشغيل غادي يتهبطو الأوزان أوتوماتيكياً.
إرسال طلب قرار: صيفط state النصي وquestions إلى POST /v1/systemone، وغادي يرجّع الاحتمالات المعايرة ديال الاختيارات.
الاستعمال عبر Python SDK: استعمل SDK الرسمي ديال TypeSafe ووجّه base_url للخدمة المحلية؛ تطبيقات Jev الموجودة تقدر تبدّل بلا أي تعديل.
التجربة فالمتصفح: دخل لـ Hugging Face Space أو شغّل playground محلياً، بلا ما تحتاج تثبيت باش تجرّب.
الضبط الدقيق ببياناتك: رتّب البيانات الموسومة بصيغة JSONL، واستعمل uv run python -m kev.train --init_from jaredpalmer/kev-4b ... باش تواصل التدريب انطلاقاً من checkpoint الرسمي.
الضبط الدقيق الأوتوماتيكي بالكامل عبر Agent: نفّذ npx skills add jaredpalmer/kev@kev-finetune ومن بعد خلّي coding agent يدير العملية كاملة: تحديد المشكل، إعداد البيانات، التدريب، التقييم والنشر، بلا GPU محلي.
النشر فالسحابة: نفّذ pip install modal && modal deploy kev_serve.py باش تنشر نقطة نهاية HTTPS بنقرة واحدة؛ وفوقت الخمول كتنقص الموارد للصفر أوتوماتيكياً وما كيتحسب حتى استهلاك.
التقييم والتحقق: استعمل uv run python -m kev.benchmark --run <النموذج> --suite evals/v4/transfer-v4 للتحقق من الأداء على مجموعة التقييم الثابتة، وقيّم قبل الإطلاق.

تكلفة منخفضة بزاف: الانتشار الأمامي الواحد كيخرّج الاحتمالات مباشرة، وكيحيد توليد token وراء token؛ وفـ H100 كيجاوب على 6 أسئلة غير فـ 18ms، ومن بعد الاستضافة الذاتية ما كيبقاش كاين رسم على كل استدعاء.
التدريب رخيص وقابل لإعادة الإنتاج: تدريب النماذج الرسمية الثلاثة كلّف تقريباً 95 دولار، والضبط الدقيق الشخصي كيكلّف تقريباً 1 دولار فالمرة، والفاتورة الكاملة منشورة بشفافية.
مفتوح المصدر وقابل للتحكم: الأوزان وكود التدريب ومجموعة التقييم الثابتة كاملين منشورين تحت رخصة Apache-2.0، وتقدر تدرّب وتراجع بلا ارتهان لمزوّد.
API جاهز للاستعمال: متوافق بالكامل مع TypeSafe System One؛ وتطبيقات Jev الموجودة تقدر تبدّل غير base_url بلا تعديلات أخرى.
أسئلة متعددة دفعة وحدة: كيشترك فحالة إدخال وحدة، ومع العزل بالانتباه السببي على شكل كتل، كيقدر forward واحد يجاوب على أي عدد من الأسئلة بلا ما يلوّث بعضها بعضاً.

مستودع GitHub: https://github.com/jaredpalmer/kev

توجيه تذاكر خدمة الزبناء: فـ forward واحد كيتحدد القسم اللي خاصها تمشي ليه، واش خاص التصعيد للموظف، ودرجة غضب الزبون؛ وكتتفرّق التذاكر أوتوماتيكياً حسب عتبة الاحتمال، بينما الحالات ضعيفة الثقة كتمشي للموظف.
مراجعة سلامة المحتوى: كيتنفّذ بالتوازي على نصوص UGC: “noul واش مخالف + choice نوع المخالفة + score شدتها”، والحالات ذات الثقة العالية كتتعالج أوتوماتيكياً.
الفحص الأولي المالي والائتماني: كيتحدد نوع الشكاية، واش التدخل البشري ضروري، ومستوى المخاطر؛ وتعاون توزيعات الاحتمال فتوثيق الامتثال وترتيب أولوية المراجعة البشرية.
تصنيف المنتجات والنيات فالتجارة الإلكترونية: كيوجّه استفسار المستخدم لأنظمة البحث أو التوصية أو ما بعد البيع، وكيعالج مشكل التوزيع متعدد التصنيفات ملي كلمة وحدة كتطابق أكثر من فئة.