PART 6｜Jev / Kev / Laya 对比
Laya 是另一款开源 Jev 替代（322--421M 参数，Apache-2.0），是我在调研 Kev 之前的首选。三者代表三条路线：闭源托管 / 轻量开源 / 可训开源。
| Jev（TypeSafe 官方） | Laya | Kev | |
|---|---|---|---|
| 权重 | 闭源托管 | 开源（Apache-2.0），322--421M | 开源（Apache-2.0），0.5B--27B 全家 |
| 大陆可用 | ❌（实测核实） | ✅ 本地 | ✅ 本地（HF 走镜像） |
| API | /v1/systemone 原生 |
自有接口，需薄适配层 | /v1/systemone 原生兼容 |
| 微调管线 | 无（不可训） | 有，但与我同构的管线未走通 | kev.train JSONL 即灌即训，--init_from 续训 |
| 零样本（诗歌域五任务） | 不可用 | ≈ 随机（0.135--0.280） | ≈ 随机（与其他一致） |
| 微调后 | --- | --- | 最高 1.000（问法对齐后）；朝代 0.925 |
| 延迟 | 官方 278.5ms（海外网络往返） | 35ms（进程内，GPU） | ~98ms/问（HTTP 全链路） |
各自的本质差异
- Jev ：能力天花板最高（域外 0.857，5% 错误预算下可自动化 70% 决策），但闭源、不可训、大陆不可用。你的数据永远进不了模型。
- Laya：足够小足够快（进程内 35ms），适合嵌入热路径；但小参数量 + 无成熟微调管线，在我的领域任务上零样本随机、微调路径走不通，只能当零样本分类器用。
- Kev ：唯一一条「数据可以进模型」的路线 。
kev.train接受任意领域的 state + questions + label JSONL，你的业务规则、你的语言、你的类别体系都能灌进去。代价是模型时间比 Laya 大一个量级。
关键洞察：零样本随机不全是坏消息
三者在诗歌域零样本全部 ≈ 随机，这排除了「某个模型天生更强」的幻想，也揭示了一个选型真相：这类决策模型默认不具备你的领域知识，选型的核心问题不是「谁零样本强」，而是「谁的微调管线能让我把领域知识灌进去」。在这个问题上 Kev 是三者中唯一完整答案。