VideoJev: نموذج فيديو يُجيب برقم بدلًا من جملة

VideoJev هي عائلة من نماذج فهم الفيديو التي لا تكتب إجابة أبدًا. اطلب منها الطابع الزمني لحدث ما، فتعيد فاصلًا زمنيًا مُجمَّعًا من فتحات مرشّحة مُقيَّمة؛ واطرح عليها سؤالًا متعدد الخيارات عن فيديو، فتعيد الخيار الحاصل على أعلى درجة. هناك نقطتا تفتيش مُصدَرتان — VideoJev-4B على Qwen3.5-4B وVideoJev-35B-A3B على Qwen3.6-35B-A3B — ولم يتم إطلاقهما. لم يُصدر أحد بيانًا صحفيًا. ظهرت ورقة على arXiv في 2026-10-13، ورُفعت الأوزان على Hugging Face في 2026-10-10، وكان المستودع لا يزال قيد الترتيب بعد أربعة أيام: اعتبارًا من 14 أكتوبر كان يتلقى إيداعات مثل "استعادة فيديو README المضمّن عبر مرفق عام" و"إضافة رابط ورقة arXiv واستشهاد BibTeX الرسمي." هذا ما يبدو عليه الإطلاق الهادئ — المخرجات حقيقية وقابلة للفحص، ولا يوجد إعلان يخبرك بما يعتقد المؤلفون أنه مهم.

كل ما يلي يأتي من أحد ثلاثة مصادر: النسخة الأولية على arXiv (2610.18615، cs.CV، المقدَّمة في 13 أكتوبر 2026)، وبطاقات النموذج والكود التي نشرها المؤلفون، والحواشي السفلية للورقة نفسها بشأن كيفية قياس الأرقام. حاولت إبقاء هذه الثلاثة منفصلة بوضوح، لأن الأمر المثير في هذا الإصدار ليس الرقم الرئيسي — بل مدى هشاشة الأساس الذي يقوم عليه.

ما تدّعيه الورقة البحثية فعليًا

يأخذ VideoJev نموذجًا لغويًا كبيرًا متعدد الوسائط مُدرَّبًا مسبقًا، ويحذف طبقة MLP الأخيرة ورأس إخراج النموذج اللغوي، ويضع مُقيِّمًا للمرشَّحين مكانهما. يُنتج رمزان جديدان، <|option_end|> و<|decide|>، قراءات. تُسقَط حالة القرار وحالة كل مرشَّح إلى 512 بُعدًا، وتُطبَّع، وتُضرَب نقطيًا معًا؛ تُمنح الفواصل الزمنية درجات باستخدام دالة sigmoid وتُجمَّع في امتداد، وتُمنح خيارات الإجابة درجات وتُطبَّع باستخدام softmax. تمر المهمتان عبر الرأس نفسه. لا يُفكّ أي شيء بطريقة انحدارية ذاتية، لأنه لا يوجد شيء يُفكّ.

الأرقام الرئيسية الثلاثة في الورقة البحثية، وكلها مُبلَّغ عنها من المورّدين، وكلها من أداة التقييم الخاصة بالمؤلفين أنفسهم:

• جودة الإرساء — يحقق VideoJev-4B متوسط mIoU قدره 65.3 عبر ثلاثة معايير للإرساء الزمني، بزيادة 6.7 نقاط عن نموذجه الأساسي Qwen3.5-4B. ويحقق VideoJev-35B-A3B قيمة 67.7، بزيادة 10.8 نقاط عن Qwen3.6-35B-A3B.

• تكافؤ في أداء QA دون استدلال — على أربعة معايير مرجعية للأسئلة والأجوبة المرئية (video-QA)، يسجّل النموذجان متوسطًا قدره 74.3 و79.5، أي أقل بـ0.6 نقطة وأعلى بـ0.7 نقطة من نموذجيهما الأساسيين على التوالي في وضع Thinking.

• زمن الاستجابة — أسرع بمقدار 2.8–3.1× من تلك النماذج الأساسية في الإسناد، وأكثر من 100× في الأسئلة والأجوبة. تبلغ القيمة المقاسة للأسئلة والأجوبة 129× عند 4B و100× عند 35B-A3B.

التأطير الصادق لادعاء السرعة هو أنه مقارنة مع نموذج استدلال يقوم بشيء أصعب بكثير مما تتطلبه المهمة. يستهلك Qwen3.5-4B في وضع Thinking مدة 144.9 ثانية لكل سؤال على LVBench ليحرز 74.9؛ بينما يستهلك VideoJev-4B مدة 1.123 ثانية ليحرز 74.3. إن 129× حساب حقيقي استنادًا إلى جدول الكمون الخاص بالورقة نفسها، وهو أيضًا الحساب الذي ستحصل عليه من أي نموذج يمتنع عن التفكير. السؤال المثير ليس ما إذا كان التسريع حقيقيًا — بل ما إذا كان يمكن بناء نظام تكون فيه هذه المقايضة صحيحة.

الحجة الكامنة وراءه: قرارات، لا توليدات

ما يجعل هذا أكثر إثارة للاهتمام من جدول معايير هو الادعاء المعماري. قام المؤلفون بضبط نموذج Qwen3.5-4B الانحداري الذاتي العادي ضبطًا دقيقًا علىبالضبط نفس بيانات ما بعد التدريب، في المرحلة الواحدة نفسها، وبالإعدادات نفسها، وجعلوه يولّد فواصل زمنية أو يجيب بحروف. يذكر الجدول 3 في الورقة أن VideoJev-4B يتفوق على ذلك النموذج الضابط بمقدار 1.3 نقطة في متوسط mIoU للإرساء و1.9 نقطة في متوسط درجة QA. تلقى كلا النموذجين الإشراف نفسه؛ ولم يختلف سوى شكل القراءة.

إذا صح ذلك، فالمكسب ليس البيانات ولا الحجم — بل إن مطالبة النموذج بأن يصدر توزيعًا احتماليًا على مرشحين مهيكلين أكثر ملاءمة لقرار مهيكل من مطالبة النموذج بإنتاج سلسلة نصية ثم إعادة تحليل السلسلة إلى قرار. وهذا هو الرهان نفسه الذي قامت به TypeSafe مع Jev 1.13 وعائلته System One، معمَّمًا من حالات نصية إلى الفيديو. وتوضح الورقة صراحة أنها تبني على ذلك الخط من العمل بدلًا من اختراع الفئة.

هناك تفصيلان تنفيذيان يستحقان اهتمامًا أكبر من الأرقام الرئيسية، لأنهما ما يجعلانه قابلًا للاستخدام وليس سريعًا فحسب. الاستدلال المخزّن يرمّز الفيديو ويقوم بتعبئته مسبقًا مرة واحدة، ويترك الاستعلامات الواردة تتفرّع من تلك البادئة المخزّنة — تمريرة أمامية واحدة لكل استعلام. الاستدلال المشترك يضع عدة استعلامات خلف بادئة فيديو واحدة ويقرأ <|decide|> منفصلًا لكل منها، بحيث تكلّف مجموعة من الأسئلة تمريرة أمامية واحدة إجمالًا. على عشر استعلامات تأريض مقابل فيديو واحد، تقيس الورقة 0.39 ثانية لـ VideoJev مقابل 5.98 ثانية لخط أساس Instruct؛ وفي جانب الأسئلة والأجوبة، تأتي عشر استعلامات عند 1.67 ثانية. تتحقق الورقة أيضًا من نمط الفشل الواضح للاستدلال المشترك — أن يسرّب سؤال سابق إجابته إلى سؤال لاحق — وتفيد بأنها تحققت من عدم إدراج أي إجابات مرجعية أو متوقعة في البادئة المشتركة. تجدر الإشارة إلى أن هذا تحقق المؤلفين أنفسهم، وأن الاستدلال المشترك يسجل أداءً أفضل من الوضع المخزّن المنفصل (65.3 مقابل 64.5 mIoU عند 4B)، وهو ما يعزونه إلى التدريب على نفس التخطيط المشترك.

ما لا تخبرك به البطاقة

أربعة أشياء غائبة بشكل لافت، وهي تهم أكثر من أي شيء ورد أعلاه إذا كنت تقرر ما إذا كان هذا جاهزًا للإنتاج.

• بيانات التدريب غير مُفصح عنها. يوثّق المستودع التنسيق ويمنحك الأدوات اللازمة لبناء ملف JSONL خاص بك، لكن المجموعة النصية وحجمها ومصدرها غير مذكورة. لا يمكنك تقييم التلوث مقابل المعايير السبعة التي يقدّم تقارير عنها.

• تبدأ أوزان 35B من FP32. تشير صفحة المشروع إلى FP32 للاستدلال المُخزَّن مؤقتًا وBF16 لوضع Joint — لذا فإن التكوين الرئيسي للنموذج الأكبر هو صاحب البصمة الأثقل في الذاكرة، ولا تقدّم الصفحة رقمًا لـ VRAM لأيٍّ منهما.

• الثقة واثقة أكثر من اللازم. تذكر الورقة البحثية متوسط خطأ معايرة قدره 8.65 نقطة للنموذج 4B و8.13 للنموذج 35B-A3B. والدرجة إشارة ترتيب قابلة للاستخدام، وليست احتمالًا ينبغي أن تتفرّع بناءً عليه دون عتبة تكون قد ضبطتها بنفسك.

• لم يقم أحد بتشغيل الأرقام بشكل مستقل.كل رقم هنا مصدره المجموعة التي دربت النماذج. حتى لحظة كتابة هذا، لا توجد إعادة إنتاج من طرف ثالث، ولا إدخال في لوحة الصدارة، ولم يتحقق دعم أي إطار عمل بعد — مسار الاستدلال هو trust_remote_code=True مقابل معمارية مخصصة، ما يتطلب PyTorch 2.8/CUDA 12.8 وFlashAttention 2 كحد أدنى.

تمتد هذه النقطة الأخيرة إلى النموذج الأصغر أيضًا، وهي تتعارض مع الافتراض البديهي. إن VideoJev-4B هو النموذج الذي تتوقع تشغيله على عتاد متواضع، لكن دليل البدء السريع الخاص ببطاقة النموذج نفسه يفترض H200 بمعدل 2 إطار/ثانية مع ما يصل إلى 2,048 إطارًا. هناك عرض تجريبي أرخص — مقطع مدته عشر ثوانٍ، وعشرة فواصل زمنية مرشحة، واحتمالات مطبوعة — لكن نتائج الفيديو الطويل في الورقة البحثية تستخدم سياقًا ثابتًا بحجم 262,144 رمزًا مع تحديد الإطارات بحد أقصى 640×640. نموذج 4B صغير من حيث المعاملات، لكن ليس بالضرورة من حيث تكلفة الخدمة.

تجربة ذلك دون المراهنة عليه

لأن نقاط الحفظ هي ما يوجد فعليًا، فإن السبيل الأقل مخاطرة للبدء هو تشغيل VideoJev محليًا على مقاطعك الخاصة قبل أن تبني أي شيء عليه — فمسار العرض التوضيحي هو تنزيل واثنا عشر سطرًا، وحالات الفشل التي توثّقها الورقة نفسها (عدّ الأجسام الصغيرة على Video-MME، حيث يفوّت كلا الحجمين إجابة عن أربعة كتب) هي بالضبط ما تريد أن تواجهه على بياناتك بدلًا من Charades. VideoJev-4B وVideoJev-35B-A3B مرخّصان بموجب Apache-2.0، لذا لا شيء يمنعك.

موضع OrcaRouter هو النصف الآخر من سير العمل. نادرًا ما توجد واجهة لاتخاذ قرارات الفيديو بمفردها؛ الشائع هو خط أنابيب يحتاج أيضًا إلى نموذج توليدي لكتابة الملخص، ومصنّف رخيص ليكون بوابة للاستدعاء المكلف، وشيء يوجّه بينهما. يضع OrcaRouter أكثر من 200 نموذج خلف واجهة API واحدة بهامش ربح 0% — سعر قائمة المزوّد يُمرَّر كما هو، لذا يصبح تخفيض سعر المورّد ساريًا هنا في اليوم نفسه — مع تحويل تلقائي عند الفشل بين المزوّدين، ولغة DSL للتوجيه لتركيب عدة نماذج في استدعاء واحد، ودمج النماذج للوحات. لا تُستضاف أي من نقطتي تفتيش VideoJev هنا، ولن تتظاهر هذه المقالة بغير ذلك؛ المكانان اللذان يكتسب فيهما مكانته هما كونه الساق الثانية لخط أنابيب ساقه الأولى نموذج محلي، وكونه السبب الذي يجعل نموذجًا بحثيًا كهذا قابلاً للتجربة دون عقد مورّد ثانٍ لكل ما يحيط به.

ما الذي سيجعل من هذا قصة أكبر؟

بوابة التحقق على هذا المقال نظيفة بشكل غير معتاد، لذا يجدر قول ذلك بوضوح:VideoJev إصدار بحثي، وليس إطلاق منتج. لا يوجد سجل تغييرات، ولا صفحة أسعار، ولا نقطة نهاية مستضافة، ولا قائمة انتظار، ولا منشور مدونة من المورّد. الموجود هو مسودة أولية قُدّمت في 13 أكتوبر 2026، ونقطتا تفتيش بصيغة Apache-2.0 رُفعتا في 10 أكتوبر، ومستودع كان لا يزال قيد التحرير في 14 أكتوبر — أي قبل هذا المقال بيوم. غياب الإعلان ليس دليلًا على وجود مشكلة، لكنه يعني أن الصياغة يجب أن تكون «ما تقوله المخرجات»، لا «ما يدّعيه المورّد».

ثلاثة تطورات من شأنها أن تغيّر شكل هذا الأمر. تقييم من طرف ثالث يعيد إنتاج مكاسب +6.7 و+10.8 في mIoU مقابل النماذج الأساسية نفسها ووفق البروتوكول نفسه. أو تنفيذ لـ vLLM أو SGLang، وهو ما سينقله من كونه مجرد فضول trust_remote_code إلى شيء قابل للتقديم كخدمة بإنتاجية عالية. أو نقطة نهاية مستضافة من أحدهم، وهو ما سيجعل ادعاء 100× رقمًا يمكنك قياسه على الفيديو الخاص بك بدلًا من رقم تأخذه من جدول في الصفحة السادسة. وإلى أن يتحقق أحدها، فإن الموقف المفيد هو الموقف الذي تتبناه الورقة نفسها: إن واجهة التقييم المباشر طريقة مختلفة حقًا لبناء وكيل فيديو، والدليل عليها حاليًا هو ورقة أولية من تسع صفحات لمجموعة واحدة.

أبقِ دفتر العرض التوضيحي مفتوحًا، وشغِّله على أقل اللقطات إطراءً مما لديك، وتعامل مع درجات الثقة كترتيب حتى تعايرها بنفسك.

الإصدار هو أيضًا اللحظة للتحقق مما حدث من أخطاء سابقًا: الحوادث الموثقة للذكاء الاصطناعي وإخفاقات الوكلاء حول النماذج في هذه الفئة تُجمع في OrcaRouter AI Incident Archive، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة نزاع.