TypeSafe AI 推出的 System One 模型 Jev 爆火后仅 48 小时，开源社区便涌现出多个复刻项目。其中 Kev（基于 Qwen2.5-0.5B）和 Bespoke Nimble（基于 Qwen3.5-9B）最为亮眼，为无法访问 Jev 的开发者提供了替代方案。
Bespoke Nimble：对比数据训练
Nimble 基于 Qwen3.5-9B 进行 LoRA 微调，训练数据仅 2676 条，但在自有测试集上达到了 90.12% 的准确率（Jev 为 93.21%）。相比之下，未经微调的 Qwen3.5-9B 仅为 66.36%，而参数大三倍的 Qwen3.8-27B 也只有 84.88%。9B 模型仅用极少量数据便追平了 27B 模型并超出 5 个百分点。
Nimble 的亮点在于 contrastive data curation（对比数据筛选）：构造两个几乎完全相同的样本，只改动一个关键事实（如授权人签名），使正确答案翻转。这种硬标签对比对无需人工标注概率或蒸馏，模型直接学习哪条证据真正改变决策。
训练覆盖 Commerce、Education、Media、Travel 等 10 个领域，包含 Choice、布尔判断、Score 三种题型。推理时不生成 CoT 或 JSON，而是直接读取候选答案 token 的 logits 转为概率，程序拼接结构化输出，最大程度降低延迟。
Kev：极致轻量
Kev 由 Jared Palmer 开发，走的是最小可行路线。基于 Qwen2.5-0.5B，仅训练 9.3M 参数（LoRA 8.8M + readout head 0.46M），占骨干网络的 1.9%。在 MacBook Pro M5 上训练仅需 1 小时 45 分钟，耗电仅 0.06 度。
Kev 架构与 Nimble 类似，采用对比学习。TypeSafe API 完全兼容，使用 typesafe-sdk 只需修改 base_url 即可接入。
关于 Jev
Jev 是 TypeSafe AI 开发的 System One 决策模型，专为 Agent 和软件系统设计，适用于路由、审核、打分、策略判断等高频小决策。其响应速度极快（70-500ms），成本极低（输入 $0.042/百万 token，输出免费），且不会幻觉（输出格式预定义）。开源社区的出现证明了这一路线的巨大潜力。
