Kev 는 포믹·터보레포를 만들고 지금은 데빈을 만드는 코그니션 엔지니어링 부사장인 재러드 파머가 9월 17일 연 저장소로, 데빈으로 만들었다고 README 에 적혀 있어요. 9월 19일에 다룬 SemIf 가 학습 없이 Qwen3.5-4B 의 로짓만 읽었던 것과 달리, Kev 는 아처 흄이 9월 17일 API 호출 약 1만 번으로 추정한 제브 구조, 곧 상태를 한 번만 처리하고 질문마다 독립된 가지로 답하며 포인터 헤드로 선택지 확률을 바로 읽는 구조를 구현해 공개 데이터셋 10개의 1만 건과 생성 데이터 2,576건으로 랭크 16 LoRA 어댑터와 포인터 헤드를 두 에폭 학습했고, 0.8B·4B·9B 세 크기 모두 아파치 2.0 이며 타입세이프 System One API 와 호환돼 그쪽 파이썬 SDK 를 로컬 서버로 돌려 쓸 수 있어요. 저장소 수치로 9B 는 학습에 안 쓴 데이터셋에서 개발 0.822·테스트 0.852 로 제브의 0.857 에 3.5점 뒤지고 SemIf 144건에서는 0.917 대 0.965, 지원 티켓 900건 라우팅에서는 0.952 대 0.897 이었지만, README 는 제브의 학습 데이터를 몰라 통제된 비교가 아니라고 적었고 지식 문제(MMLU 0.74 대 0.90)에 약하며 선택지 순서를 바꾸면 답이 바뀌고, 애플 실리콘에는 Qwen3.5 순환 계층용 빠른 커널이 없어 4B 가 질문 다섯 개에 779ms 로 앞선 Qwen3 판의 174ms 보다 느려요.
- LoRA
- 큰 모델의 가중치는 그대로 두고 작은 저차원 행렬만 덧붙여 학습하는 미세조정 방식(Low-Rank Adaptation)
- API
- 프로그램끼리 기능을 주고받는 규약된 접점(Application Programming Interface)
- SDK
- 특정 서비스나 API 를 쓰기 쉽게 묶어 둔 개발 도구 모음(Software Development Kit)
- MMLU
- 57개 학문 분야의 객관식 문제로 언어 모델의 지식을 재는 벤치마크(Massive Multitask Language Understanding)
제브 대기자 명단을 기다리거나 SemIf 처럼 학습 없이 로짓만 읽는 대신, 라우팅·분류 판정을 자기 라벨 데이터로 학습시켜 볼 수 있는 재현 명령이 공개됐어요(4B 는 H100 한 장으로 약 1시간, 0.8B 는 4GB GPU 에서도 학습). 다만 9B 가 새 데이터의 4% 에서 0.9 이상 확신으로 틀리고 선택지 순서에 민감하니, 자기 검증셋으로 정확도와 보정을 먼저 재고, 맥에서는 속도가 실무 기준에 못 미친다는 점을 감안해야 해요.
- 구조 추정 원문 아처 흄이 9월 17일 API 호출 약 1만 번의 지연 시간·토큰 계산·가짜 선택지 주입으로 제브가 텍스트를 생성하지 않고 공유 상태 접두사와 격리된 질문 가지, 선택지 확률 직접 읽기로 동작한다고 추정했고 타입세이프는 연구를 공개하지 않는다고 적었어요. archerhume.com
- 모델 카드 Kev-9B 는 Qwen3.5-9B-Base 위 랭크 16 LoRA(학습 파라미터 4,540만 개)와 포인터 헤드이고, transformers 5.17·peft 0.21 이상이 필요하며 서빙에 GPU 메모리 약 19GB 를 써요. Hugging Face
- 해커뉴스 토론 저자는 참여하지 않았고 토론은 제브 자체로 흘러서, 미세조정한 BERT 나 임베딩 분류기로 충분하다는 반론과 타입세이프가 입력 데이터를 사실상 무기한 보관한다는 정책 우려, 게임 탐색 같은 이전 행동 추론이 필요한 일은 제브도 못 했다는 시험 보고가 나왔어요. Hacker News