Laya مقابل Kev: وصفتان لنموذج قرار محلي

أكثر رقم مفيد في المقارنة بين Laya وKev هو إيصال. درّب Jared Palmer عائلة Kev مقابل نحو 95 دولارًا من وقت H100 على Modal، بالإضافة إلى نحو ثلاثة سنتات من استدعاءات API لبيانات التقييم، ونشر الوصفة إلى جانب الأوزان. سلكت Convai Innovations المسار الآخر مع Laya: صدرت في 18 سبتمبر 2026، بعد ثلاثة أيام من Jev التابعة لـ TypeSafe AI، برخصة Apache 2.0، وأوزان على Hugging Face، وpip install layaكنقطة دخول، ودون خط أنابيب تدريب — نقطة حفظ إنجليزية ModernBERT-large بحجم 421M، وأخرى متعددة اللغات mmBERT-base بحجم 322M، وموجّه يختار بينهما. Kev عائلة من ثلاثة نماذج صغيرة بأحجام 0.8B و4B و9B، كل منها يتكوّن من قاعدة مجمّدة، بالإضافة إلى محول LoRA برتبة 16 ورأس مؤشر صغير. يجيب كلاهما عن أسئلة ذات أنواع في تمريرة أمامية واحدة، ولا يولّد أي منهما نصًا. القرار بينهما هو في الحقيقة قرار بشأن أي مُخرَج تريد امتلاكه: نقطة حفظ أم وصفة.

ما الذي يطرحه كل مشروع فعليًا

تقدم Laya الاستدلال. نقطة التحقق الإنجليزية هي مُشفِّر ثنائي الاتجاه بنافذة 512 رمزًا؛ بينما تغطي النسخة متعددة اللغات أكثر من 100 لغة بنافذة 1,024 رمزًا وتعمل بسرعة تقارب الضعف؛ ويكتشف الموجّه النص في أقل من نصف ميلي ثانية. وهي تجيب عن الاختيار، الدرجة و noul — اختيار من قائمة، ومستوى متوقع على مقياس مُرتَّب، واحتمال معاير بأن الادعاء صحيح. هناك نقطة تحقق ثالثة، laya-typed-decisions، وهي نفس العمود الفقري 421M المضبوط بدقة على تقسيم التدريب لمعيار القرارات المكتوبة. تحمل بطاقة نموذج Convai الخاصة الجملة التي يجب أن تحكم كيفية قراءتك لكل رقم من Laya: "Laya هي قاعدة سريعة للتخصص، وليست محرك قرارات بدون تدريب مسبق."

تُقدِّم Kev طريقة. يوثق المستودع decision-v7: حقبتان باستخدام 10,000 مثال مسحوب من عشرة مجموعات بيانات عامة، و896 مثال سياسة مُولّد، و1,680 مثالًا بُني من 60 بنية قاعدة مُولّدة. يقيّم الرأس كل خيار مُقدم مقابل السؤال decide، الرمز ثم يطبق softmax على النتيجة. ولأن نقاط تفتيش Qwen3.5 تمزج الانتباه مع طبقات Gated DeltaNet المتكررة التي تتجاهل أقنعة الانتباه، يعمل كل سؤال في صف خاص به مع حساب الحالة المشتركة مرة واحدة وتخزينها مؤقتًا — وهكذا يحافظ النموذج على عزل الأسئلة عن بعضها دون دفع تكلفة إعادة تعبئة أولية جديدة لكل سؤال. يحاكي Kev العام الخاص بـ TypeSafe /v1/systemone العقد، لذا يمكن لعميل SDK الحالي من TypeSafe أن يتوجه إلى خادم Kev محلي بتغيير عنوان URL الأساسي. تنص README على أنه لم تُستخدم أي مخرجات من Jev في التدريب.

نمطا الفشل مختلفان، وهذه هي القصة الحقيقية.

يخسر كلا النموذجين أمام Jev في المهام التي تتطلب معرفة الأمور، لكنهما يخسران بطرق تستدعي تدابير تخفيفية مختلفة.

نقاط ضعف Laya المنشورة تتعلق بشكل المدخل. في معيار typed-decisions الخاص بـ TypeSafe، يحقق 0.362 في وضع zero-shot، مقابل 0.318 للتخمين العشوائي و0.461 لخط الأساس للفئة الأغلبية — أي أقرب إلى الصدفة منها إلى الإجابة التافهة. بعد نحو عشرين خيارًا ينهار: 0.425 على Banking77 مقابل 0.870 لـ Jev. وهو حساس للترتيب بما يكفي لدرجة أن مجرد قلب ترتيب الخيارات أسقط الدقة 13.75 نقطة في أحد اختبارات طرف ثالث، مما يترك معدل إجابات متطابقة بنسبة 42.5%. وتأتي نقاط التحقق المشحونة بدرجات حرارة غير صالحة — تحذر المكتبة عند الاستيراد، ما يعني أن رقم المعايرة الموجود على البطاقة، وهو خطأ معايرة متوقع قدره 0.466، هو الرقم الذي تحصل عليه فعليًا قبل أن تعيد الملاءمة. إعادة الملاءمة حسب نوع السؤال تخفضه إلى 0.081، لكن هذا عمل تقوم به أنت، لا عمل يقوم به التنزيل. هناك فشل متعدد اللغات منشور يستحق قراءته كاملًا: على النصوص غير اللاتينية، تكون نقطة التحقق الإنجليزية مفرطة في الثقة بشكل كارثي، مع مثال بالخميرية يُظهر دقة 0.000 عند متوسط ثقة 0.952.

نقاط ضعف Kev المنشورة تتعلق بالمعرفة والحساب. يحقق Kev-9B درجة 0.837 في اختباره الخاص المغلق لمصدر جديد — 0.832 للـ 4B و0.668 للـ 0.8B — وحوالي 0.822 خارج النطاق على تقسيم التطوير مقابل 0.857 لـ Jev. تتسع الفجوة حيث تُطلب المعرفة العامة: MMLU حوالي 70% مقابل 90% لـ Jev، وMMLU-Pro 0.515 مقابل 0.840، وحساب التواريخ بدقة اليوم 60% مقابل 93%. في مجموعة توجيه ضيقة ذات تسميات ثابتة، يفوز — وضع تقييم توجيه تذاكر الدعم Kev-9B عند 0.952 مقابل 0.897 لـ Jev — لكن المؤلف صريح في أن هذا هو إطاره الخاص، وأن بيانات تدريب Jev غير معلنة، وأنه لا يمكن بناء مقارنة مضبوطة. كما يظل Kev مفرط الثقة في المصادر الجديدة؛ تعيين KEV_TEMPERATURE=2.0 قلل الأخطاء الواثقة من 8.7% إلى 4.4% في اختبار المشروع الخاص، مما يخبرك أن الإعداد الافتراضي ليس الإعداد الآمن.

الترجمة العملية: يُفعَّل فشل Laya بواسطة مجموعة الخيارات لديك وتنسيق المُطالبة لديك، وتُصلحه عبر الضبط الدقيق وإعادة الملاءمة. ويُفعَّل فشل Kev بأسئلة تحتاج إلى حقائق، وتُصلحه بقصر نطاق النموذج على التوجيه والتصنيف وإبقاء الاستدعاءات المعتمدة على المعرفة في مكان آخر. ولا يُعد أيٌّ من الإصلاحين مفتاح إعدادات.

ما يتطلبه الأمر لخدمتهم

• العتاد — Laya: مشفّرات 421M/322M، موثوقة على CPU للإنتاجية المنخفضة وتشغل أقل من غيغابايت في الذاكرة لنسخة MLX على رقاقات Apple. Kev: من 0.8B إلى 9B، ويحتاج إلى GPU CUDA بدقة BF16 من أجل 9B، مع بنية Qwen3.5 التي تتطلب flash-linear-attention على CUDA وROCm.

• زمن الاستجابة — Laya: 32.8ms p50 لكل قرار على Tesla T4، و7.2ms لكل سؤال عند الدفعة 10. Kev: نحو 300ms لخمسة أسئلة مكتوبة من نموذج 4B على جهاز Mac بسعة 32GB بصيغة bf16، ونحو 40ms على H100.

• الحدود القصوى — Laya: نافذة إنجليزية بسعة 512 رمزًا، و1,024 متعددة اللغات. Kev: الاختيار من بين 1–255 خيارًا، والتسجيل على 2–255 مستوى، و384 رمزًا لحالة التدريب مع 8,192 عند التقديم.

• الخادم — Laya: بايثون داخل العملية، بالإضافة إلى إصدارات مجتمعية لـ ONNX وGo وApple MLX. Kev: خادم محلي مرتبط بـ 127.0.0.1 دون مصادقة، وSDK من npm، ومحولات LangChain وLlamaIndex.

• الترخيص — Apache 2.0 لكليهما.

ملاحظتان تشغيليتان لا تظهران في الأرقام الرئيسية. خادم Kev مصمم ليعالج طلبًا واحدًا ولا يتطلب مصادقة — فهو سايدكار محلي، وليس شيئًا تعرّضه للخارج. كما أن زمن استجابة Mac لدى Kev أسوأ بدرجة ملموسة من زمن استجابة H100 لديه لأن نوى DeltaNet السريعة غير موجودة لـ MLX بعد، وهذا بالضبط نوع التفصيل الذي يحوّل ادعاء "يعمل محليًا" إلى ادعاء "يعمل محليًا على العتاد المناسب".

النصف التوليدي من النمط

كلا هذين النموذجين موجودان لاستبدال استدعاء واحد محدد: استدعاء نموذج اللغة الكبير الذي كنت تجريه فقط للحصول على تصنيف أو احتمال في المقابل. وهما لا يستبدلان الاستدعاءات التي تحتاج فيها فعلاً إلى نثر. نظام دعم يستخدم Kev-9B لتوجيه تذكرة لا يزال يحتاج إلى نموذج لتلخيص سلسلة المحادثة وصياغة الرد، وهذا النموذج لن يكون LoRA بحجم 9B مع رأس مؤشر.

هذه هي الفجوة التي يستقر فيها OrcaRouter، وليست ادّعاءً باستضافته أياً منهما. لا Laya ولا Kev موجودان في قائمة نماذجنا — فهما أوزان تقوم بتنزيلها — وسيكون المقال مضللاً لو أشار إلى غير ذلك. ما يوجد في القائمة هو أكثر من 200 نموذج توليدي خلف مفتاح واحد متوافق مع OpenAI عند سعر قائمة المزوّد مُمرَّرًا بهامش ربح 0%. إذا كنت تستخدم Kev لتحديد أيّ من مستويات التلخيص الثلاثة ينتمي إليه الطلب، أو تستخدم Laya لتقييم ما إذا كانت مسودة الإجابة مقبولة، فإن الجانب التوليدي في كلتا الحلقتين هو نقطة نهاية واحدة مع تجاوز تلقائي للفشل بدلاً من عقد ثانٍ وSDK ثانٍ. إن DSL التوجيه هو الجزء الذي يناسب معمارية نموذج القرار على نحو أكثر طبيعية: اجمع نموذجاً رخيصاً وآخر مكلفاً في استدعاء واحد ودع مخرجات نموذج القرار تختار الفرع.

ماذا تشاهد بعد ذلك

الفجوة في الأدلة هي ذاتها لكليهما، ولن يسدّها أي من المشروعين. لم يُشغّل أحد Laya وKev على مدخلات متطابقة بايتًا ببايت مع المطالبات نفسها، وترتيب الخيارات نفسه، ومسح عتبة الثقة نفسه. الانتصارات البارزة لـ Laya تأتي من منصة اختبارها الخاصة؛ ومزاعم Kev بشبه التكافؤ تأتي من منصة اختبار مؤلفه؛ أما تدقيق المعايرة الذي وجد أن معايرة Jev تتفاوت بشكل حاد حسب المهمة — بدقة 44.7% وخطأ معايرة متوقع 0.325 في مهمة أولوية بسياسة مخفية — فقد كان من طرف ثالث، ولم يخضع Laya ولا Kev لهذه المعالجة. وإلى أن يفعل ذلك أحد، فإن الأرقام أعلاه هي الأفضل المتاحة، وهي غير قابلة للمقارنة ببعضها.

إذا كنت تقرر اليوم: اختر Kev إذا أردت نموذج توجيه يعمل هذا الأسبوع على وحدة معالجة رسومات (GPU) تستأجرها بالفعل، وتقبّل أنه لن يعرف الأشياء. اختر Laya إذا كانت مدخلاتك متعددة اللغات أو كانت ميزانية العتاد لديك حاسوباً محمولاً، وخصّص ميزانية للضبط الدقيق باعتباره جزءاً من المشروع لا تحسيناً لاحقاً. في كلتا الحالتين، قِس على بياناتك الموسومة بنفسك قبل أن تضع عتبة ثقة أمام حركة مرور الإنتاج — كلا المشروعين، في توثيقهما الخاص، يوصيانك بذلك.