A nova família de modelos de decisão open-source que promete revolucionar a escolha informada

A família Kev chega como um conjunto de quatro modelos de decisão de código aberto, com portes que vão de 0.8 bilhão a 27 bilhões de parâmetros. Sua função principal é pontuar opções fornecidas, em vez de gerar texto ou buscar informações. Isso alinha o Kev com a proposta dos chamados 'Modelos de Decisão', uma categoria que a TypeSafe, com o Jev, ajudou a solidificar. O Kev é compatível com a API do Jev, permitindo uma transição fluida para desenvolvedores. Basta ajustar o endpoint e o nome do modelo em aplicações existentes.

Os modelos Kev rodam desde hardware local, como Apple Silicon via MLX, até GPUs de alta performance. O modelo Kev-27B, por exemplo, se beneficia de GPUs H100, H200 ou B200 para documentos longos. Para fine-tuning e deployment, o Kev oferece 'skills' específicas que podem ser integradas com agentes de codificação, como Claude Code ou Devin. Embora o código, pesos e relatórios de avaliação sejam públicos, parte do corpus de treinamento do Kev-27B e alguns dados de avaliação permanecem confidenciais.

Esta nova família Kev aprofunda a tendência dos Modelos de Decisão, iniciada pela TypeSafe com o Jev em meados de setembro de 2026. A chegada de modelos open-source como o Kev, e também o Clef da Cloudflare (lançado na mesma data), indica uma evolução rápida nesse ecossistema. O que antes era uma novidade com Jev, agora ganha opções de código aberto e compatibilidade de API. Dentro da própria família Kev, esta versão traz um novo Kev-27B, construído sobre o backbone Qwen3.8-27B e fine-tunado em todos os seus pesos, com um corpus de treinamento ampliado. O Kev-9B também recebeu uma atualização de fine-tuning para melhorar seu desempenho em relação ao Kev-4B.

A disponibilização de Modelos de Decisão open-source como o Kev é um passo importante para democratizar o acesso a essa tecnologia. A compatibilidade com a Jev API pode fomentar um ecossistema mais amplo de ferramentas e aplicações. Para empresas e desenvolvedores, isso significa mais flexibilidade e controle sobre os modelos, incluindo a capacidade de fine-tunear e auditar o comportamento da IA. A natureza focada do Kev, que pontua opções ao invés de gerar texto, garante maior precisão e reduz riscos de alucinação, sendo ideal para automação de tarefas críticas e sistemas de agentes onde decisões estruturadas são essenciais.