Kev

Kev

用小型 Kev 决策模型给关于一份文档的带类型问题打分，一次返回每个答案选项的概率，不生成文字。可以在浏览器里、用 Python 或作为 MCP 工具使用。

由 jaredpalmer 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的，应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Kev 是 jaredpalmer 做的一组基于 Qwen3.5 的紧凑决策模型，这个 Gradio Space 让你试用其中两个。你给它一份文档和一些带类型的问题。对每个问题，它用对文档的一次遍历，给每个答案选项打一个概率。它不写任何文字。

适合谁：适合想对一段文字里的分类类问题得到概率的开发者，比如给消息分派去向，也适合比较小型决策模型的人。

行业 | 谁在用 | 怎么用 | 例子
客户支持 | 支持工程师 | 按概率把消息分给合适的团队 | 问哪个团队该处理一份晚到又尺码不对的订单
机器学习 | 模型评估者 | 在同一个请求上比较 4B 和 0.8B 模型 | 在 Space 里选 Both
软件开发 | 智能体开发者 | 在代码里或作为 MCP 工具调用 decide 端点 | 从 Python 客户端读取答案

如果你需要写出来的答案或摘要，可以跳过它，因为 Kev 只返回概率，不返回文字。

用在哪里：Kev 可以在这些地方使用。

• 网页浏览器：选一个模型，或者两个都选，然后点 Decide
• Python：用 gradio_client 包调用 decide 端点
• MCP 客户端：decide 端点也作为 MCP 工具提供
• Windows、macOS 或 Linux 上的 Python 3.12：运行 Space 的一份副本

用途 | 谁用 | 能得到什么
分派消息 | 支持团队 | 每个团队选项的概率，以及最可能的那个
检查是非 | 开发者 | 一个陈述为真的概率
按刻度打分 | 评审人员 | 一个期望等级，以及每个等级的概率

如何设置：在线使用只需要一个浏览器。本地副本或 Python 客户端要先准备几样东西。

• 在线 Space 需要一个网页浏览器
• 本地副本需要 Windows、macOS 或 Linux 上的 Python 3.12
• requirements.txt 里列出的 Python 包
• gradio_client 包，如果你要从 Python 调用这个端点

1. 用 pip 安装 Hugging Face hub 库。
2. 把这个 Space 的文件下载到名为 kev 的文件夹里。
3. 进入这个文件夹。
4. 安装 Space 使用的那个版本的 Gradio。
5. 安装 requirements.txt 里列出的包。
6. 用 Python 启动应用。

pip install -U huggingface_hub
hf download jaredpalmer/kev --repo-type space --local-dir kev
cd kev
pip install gradio==6.28.0
pip install -r requirements.txt
python app.py

如何使用：在线使用时，选 Kev-4B、Kev-0.8B 或 Both，粘贴一份文档和你的带类型问题，然后点 Decide。按钮旁边有三个选项。在代码里，就用下面的 Python 客户端调用 decide 端点。

from gradio_client import Client
c = Client("jaredpalmer/kev")
rendered, response, report = c.predict(
    "Shoes arrived two weeks late and in the wrong size.",
    '{"department": {"type": "choice", "instructions": "Which team should handle this?", "criteria": {"returns": null, "shipping": null, "billing": null}}}',
    "Kev-4B", False, False, False, 4,
    api_name="/decide",
)
print(response["answers"])

工具 | 作用
choice | 在命名的选项里挑，返回得分最高的选项、每个选项的概率和一个置信度
noul | 一个是非问题，返回为真的概率
score | 对照一份有顺序的等级描述打分，返回期望等级和每个等级的概率
Calibrated probabilities | 套用一个在开发数据上拟合的温度，保持最高选项不变，并降低域外误差
date_facts | 在模型读文档之前，把每一对日期之间的天数加进去
Option-order stability | 打乱选项顺序重新跑第一个 choice 问题，并报告最高选项有没有变
decide | 供代码和 MCP 客户端使用的唯一入口，返回你那些问题的答案

示例：你贴一段备注，说一双鞋来晚了，尺码也不对，然后问该由哪个团队来接手，选项是 returns、shipping 和 billing。Kev 给每个团队返回一个概率，并指出最可能的那个。

新手与专家：如果你是新手，可以把 Kev 想成对一段文字问选择题的快捷办法，得到的是每个答案的概率，而不是一段文字回复。先试一个内置示例，比如 Return window。

如果你熟悉这个领域，一个 Kev 检查点就是折进 Qwen3.5 基础模型里的一个 LoRA 适配器。词表头被丢掉，一个指针头把每个问题的 decide 词元和它的选项片段对上。各个问题在彼此独立的行里运行，这些行都从共享的文档接着往下跑，所以写进一个问题的秘密，其他问题看不到。代价是训练领域之外的校准。

你提供文档和带类型的问题
一次遍历读完共享文档
每个问题在自己隔离的行里运行
指针头给选项打分
你得到每个选项的概率

注意事项：Kev 给的是概率而不是文字，原始数值在训练领域之外并不完美。

• Calibration: 在训练领域之外，这些数字有帮助但不精确，0.8B 模型在那里明显更差
• Gaps: 和训练里任何内容都不像的问题，答案可能不可靠，所以先拿你自己的数据测一测
• Dates: Kev 自己不会做日期相减，date_facts 选项会把天数加进去
• Version: Gradio 6.28.0 和 Python 3.12
• Models and data: 两个基于 Qwen3.5 基础模型的 Kev 检查点，外加一个提到的测试套件数据集
• Size: 仓库里有 13 个文件
• License: apache-2，Qwen 基础模型也是 Apache-2.0
• Cost to run: 没有提到，Space 在 Hugging Face 上用 zero-a10g 硬件
• Data it reaches: 你发送的文档和问题，以及它提到的模型
• Not for: 生成文字，因为 Kev 只返回概率

Title: Kev-4B 域外校准误差，越低越好
原始概率: 0.12 ECE
校准后: 0.05 ECE

Hugging Face 上的数据（2026年11月15日）

• 点赞：96
• 构建方式：gradio
• 许可证：apache-2.0

链接

• Space：https://huggingface.co/spaces/jaredpalmer/kev
• 文件：https://huggingface.co/spaces/jaredpalmer/kev/tree/main

试用

在浏览器里打开这个 Space，或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。