VideoJev vs. Jev 1.13: Gleiche Idee, zwei verschiedene Aufgaben

Der Vergleich wirkt offensichtlich, bis man versucht, ihn zu schreiben. VideoJev ist eine Forschungsveröffentlichung mit offenen Gewichten aus dem MCG-Lab der NJU, die zeitliche Intervalle und Antwortoptionen gegen Video-Beweise bewertet – in zwei Checkpoints, VideoJev-4B und VideoJev-35B-A3B. Jev 1.13 ist das geschlossene, gehostete Entscheidungsmodell von TypeSafe AI – das Modell, das der Kategorie ihren Namen gab, in der beide angesiedelt sind. VideoJevs eigenes Paper zitiert Jev als Ursprung des Paradigmas, das es erweitert, was wie ein direktes Duell wirkt. Meistens ist es keines. Jev 1.13 nimmt Textzustand entgegen und liefert typisierte Entscheidungen zurück. VideoJev nimmt Video entgegen und liefert bewertete Intervalle oder eine ausgewählte Option zurück. Sie überschneiden sich bei der Idee und fast nirgends beim Input, daher lautet die nützliche Frage nicht „Welches ist besser“, sondern „Welches kommt für die Aufgabe, die Sie haben, überhaupt infrage“.

Beide kamen leise und kürzlich an, auf unterschiedliche Weise. Jev 1.13 wurde am 2026-09-15 veröffentlicht – TypeSafes erstes öffentliches Modell nach zwei Jahren im Verborgenen – und ist abrufbar über OrcaRouters eigenen Katalog unter typesafe/jev-1.13 seit 2026-09-24. VideoJev hat überhaupt keinen Launch: Das arXiv-Preprint erschien am 2026-10-13, die beiden Apache-2.0-Checkpoints wurden am 2026-10-10 auf Hugging Face hochgeladen, und das Repository erhielt noch am 2026-10-14 README-Korrekturen. Keines von beiden ist heute eine Launch-Story. Was die Paarung lesenswert macht, ist, dass sie dieselbe architektonische Wette sind, angewandt auf zwei verschiedene Datentypen, und der Unterschied in der Art, wie jedes bereitgestellt wird, verrät Ihnen das meiste, was Sie wissen müssen, um sich zu entscheiden.

Jeweils eine Zeile, weil die Zusammenfassungen schnell divergieren

Jev 1.13 ist ein gehosteter Endpunkt. Sie senden per POST einen Block Zustandsdaten und eine Reihe benannter Fragen an /v1/systemone und erhalten pro Frage eine typisierte Antwort zurück – noul (ein Wahr/Falsch-Wert mit kalibrierter Wahrscheinlichkeit), choice (eine Bezeichnung aus bis zu 255 Optionen) oder score (eine Stufe auf einer geordneten Skala von 2 bis 10). Es wird nichts generiert, daher gibt es keine Ausgabe-Tokens, und TypeSafe stellt nichts in Rechnung; die Eingabe kostet $0,042 pro Million Tokens. Seine Architektur, Parameteranzahl und Trainingsrechenleistung werden nicht offengelegt. Seine Eingabe ist ausschließlich Text – Strings, JSON, Arrays –, ohne Bild-, Audio- oder Videopfad. Sie führen es nicht selbst aus; jeder Aufruf wird abgerechnet.

VideoJev ist die gegenteilige Anordnung. Es ist ein Checkpoint, den Sie selbst herunterladen und bereitstellen, unter Apache-2.0, erstellt durch Feinabstimmung eines vorhandenen multimodalen LLM: VideoJev-4B auf Qwen3.5-4B, VideoJev-35B-A3B auf Qwen3.6-35B-A3B. Die Autoren entfernen das letzte MLP und den Ausgabekopf des Sprachmodells und ersetzen sie durch einen Kandidaten-Scorer, sodass das Modell nie eine Antwort schreibt – es bewertet Kandidatenintervalle und Kandidatenantworten direkt. Zwei Inferenzmodi organisieren es: Inferenz mit Cache kodiert das Video einmal und zweigt jede neue Abfrage von diesem Präfix ab, und Gemeinsame Inferenz setzt eine Gruppe von Fragen hinter ein Video-Präfix und liest sie alle in einem einzigen Vorwärtsdurchlauf aus.

Die Dimensionen, die sie tatsächlich trennen

• Eingabemodalität — Video, bei 2 fps mit auf 640×640 begrenzten Frames für VideoJev, gegenüber nur Textzustand für Jev 1.13.

• Was eine „Entscheidung“ ist — ein zeitliches Intervall in Sekunden plus ein Optionsindex gegenüber einem typisierten Label, Level oder einer Wahrscheinlichkeit.

• Bereitstellung — selbst gehostete Apache-2.0-Gewichte vs. einen nutzungsabhängig abgerechneten gehosteten Endpunkt.

• Preis — Ihre eigenen GPU-Stunden vs. 0,042 $ pro Million Eingabe-Tokens, wobei die Ausgabe mit null abgerechnet wird.

• Kosten einer zweiten Abfrage im selben Kontext — VideoJevs gesamtes Designproblem, gelöst durch Präfix-Wiederverwendung; Jev sendet den Zustand bei jedem Aufruf erneut, da es kein Präfix in Video-Größe hat, das amortisiert werden könnte.

• Veröffentlichte Details — ein neunseitiges Preprint mit Tabellen je Benchmark und Ablationen gegenüber dem Verzicht auf Angaben zu Architektur, Parametern oder Training.

• Wo Sie es ausführen können — überall, wo Sie eine geeignete GPU haben, im Vergleich zum TypeSafe-Endpunkt und den Gateways, die ihn bereitstellen, einschließlich typesafe/jev-1.13 auf OrcaRouter.

Beachten Sie, was nicht auf dieser Liste steht: ein gemeinsamer Benchmark. Es gibt nichts, worin beide Modelle bewertet wurden, denn es gibt keine Aufgabe, die beide akzeptieren können. Jede Tabelle, die sie nebeneinanderstellt, würde einen Vergleich erfinden.

Wo die Abstammungslinie real ist und wo sie endet

Die intellektuelle Schuld ist explizit und nicht bloß erschlossen. VideoJevs Einführung rahmt seinen Beitrag als Aufgreifen der System-One-Prämisse – dass ein Modell ein strukturiertes Urteil ausgeben kann, anstatt Token zu generieren – und als Frage, was sich ändert, wenn das Beurteilte eine Zeitachse hat. Jevs Antwort auf „Wie entscheidet ein Modell, ohne zu schreiben?“ ist ein Scoring-Head über einer deklarierten Optionsmenge. VideoJevs Antwort ist derselbe Scoring-Head, nur auf Zeitstempel ebenso wie auf Labels gerichtet.

Diese Erweiterung ist nicht kosmetischer Natur, und das Paper ist ungewöhnlich präzise darin, warum. Wenn der zugrunde liegende Kontext ein Video ist, ist der teure Teil die visuelle Kodierung, und ein Agent, der sechs Fragen zum selben Material stellt, sollte nicht sechsmal dafür bezahlen. Beide Inferenzmodi von VideoJev existieren, um das zu beheben, und die Zahlen zeigen, was sie bringen: bei zehn Grounding-Abfragen gegen ein Video 0,39 s für VideoJev gegenüber 5,98 s für eine Instruct-Baseline; auf der QA-Seite zehn Abfragen in 1,67 s. Jev hat kein Äquivalent, weil ein Textzustand günstig erneut zu übermitteln ist – das Problem, das Jev löst, ist die Entscheidungslatenz pro Aufruf, und das Problem, das VideoJev löst, ist die Entscheidungslatenz pro Aufruf nach dem ersten.

Der Knackpunkt ist die Modalität. TypeSafes eigene Dokumentation sagt unmissverständlich, dass die Eingabe von System One Text ist – „Strings, JSON-Objekte und Arrays aus Text“ – und dass Bilder, Audio und Video nicht unterstützt werden. Die beiden Modelle sind also bei keiner Aufgabe austauschbar. Wenn es sich bei Ihrem Zustand um ein Dokument, ein Chatprotokoll oder eine Formulareingabe handelt, kann VideoJev ihn nicht verarbeiten. Wenn Ihre Frage lautet: „Wann isst in diesem Filmmaterial die Frau in Grün Pasta?“, kann Jev 1.13 sie ebenso wenig verarbeiten.

Die Zahlen und wer sie erstellt hat

Die zentralen Zahlen von VideoJev stammen aus der eigenen Testumgebung der Autoren und wurden nicht unabhängig reproduziert. VideoJev-4B erreicht über drei Temporal-Grounding-Benchmarks hinweg einen mittleren mIoU von 65,3, 6,7 Punkte über seinem Qwen3.5-4B-Backbone; VideoJev-35B-A3B erreicht 67,7, 10,8 Punkte über Qwen3.6-35B-A3B. Bei vier Video-QA-Benchmarks liegen die beiden bei einem Mittel von 74,3 bzw. 79,5, 0,6 Punkte unter bzw. 0,7 Punkte über ihren Thinking-Mode-Backbones, bei 129× bzw. 100× der Geschwindigkeit. Die Arbeit führt außerdem einen kontrollierten Vergleich durch – ein gewöhnliches autoregressives Qwen3.5-4B, das auf exakt denselben Daten und mit demselben Trainingsplan feinabgestimmt wurde – und VideoJev übertrifft es um 1,3 Punkte beim Grounding-mIoU und um 1,9 Punkte beim QA-Score. Diese Kontrolle ist der stärkste Beleg in der Arbeit, weil sie die Readout-Form von den Trainingsdaten isoliert.

Zwei Einschränkungen sind wichtig, wenn Sie sich darauf verlassen wollen. Das Paper berichtet einen mittleren Kalibrierungsfehler von 8,65 Punkten bei 4B und 8,13 bei 35B-A3B, was bedeutet, dass die Scores ein gutes Ranking-Signal und eine schlechte Wahrscheinlichkeit sind – behandeln Sie eine 0,9 als „Spitze der Liste“, nicht als „90 % wahrscheinlich“. Und die Hauptkonfiguration des 35B-Checkpoints ist laut Projektseite FP32, sodass der Speicherbedarf des größeren Modells höher ist, als die Parameteranzahl vermuten lässt.

Die Zahlen von Jev 1.13 sind ebenfalls vom Anbieter veröffentlicht, aber sie sind von der Art, die sich durch einen Aufruf überprüfen lässt: feste 0,042 $ pro Million Eingabe-Tokens, null Ausgabekosten und 70–500 ms End-to-End-Antwortzeiten. TypeSafe ist außerdem offen darüber, welche Behauptungen nicht falsifizierbar sind und welche nicht, und merkt an, dass „keine Typfehler“ nicht durch ein Gegenbeispiel widerlegt werden kann, weil ein Wert außerhalb deiner deklarierten Menge kein Wert ist, den das Modell ausgeben kann.

Wenn Sie beides benötigen, haben Sie zwei Beschaffungsprobleme.

Hier ist der Punkt, an dem der Unterschied in der Auslieferung nicht mehr philosophisch ist. VideoJev kommt als Repo: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True und ein Quickstart, der für die Long-Video-Einstellungen eine H200 voraussetzt. Es gibt noch keine Unterstützung für vLLM oder SGLang, also ist es nichts, was Sie morgen mit Durchsatz bereitstellen. Sie übernehmen einen Inferenz-Stack, keine Lieferantenbeziehung.

Jev 1.13 kommt als API-Schlüssel, und dies ist der eine Ort, an dem OrcaRouter direkt relevant ist: Das Modell ist in unserem Katalog, also liegt es auf demselben Schlüssel wie die generative Hälfte des Workflows, den du gerade baust – eine API für 200+ Modelle, 0 % Aufschlag (der Listenpreis des Anbieters wird durchgereicht, sodass eine Preisänderung bei TypeSafe hier am selben Tag live ist), automatisches Failover zwischen Anbietern und eine Routing-DSL, wenn du mehrere Modelle zu einem Aufruf zusammenstellen möchtest. VideoJev wird hier nicht gehostet, und dieser Artikel wird nicht so tun, als wäre es anders. Es zu betreiben bedeutet, Apache-2.0-Gewichte herunterzuladen und einen eigenen Dienst aufzusetzen; was wir dir abnehmen, ist alles drumherum – der Summarizer, der das Ergebnis zusammenfasst, der günstigere Klassifikator, der entscheidet, ob der Video-Call überhaupt lohnt, der Fallback, wenn ein Anbieter wackelt.

Die Entscheidungsregel

Die ehrliche Zusammenfassung ist, dass diese beiden eine Familienähnlichkeit sind, keine Rivalität. Wähle Jev 1.13, wenn das Urteil über Text erfolgt, die Antwort eine aus einer Menge ist, die du vorher festlegst, und du möchtest, dass jemand anderes die Infrastruktur und die Kalibrierungsarbeit übernimmt. Wähle VideoJev, wenn die Beweise ein Video sind, die Antwort ein Zeitstempel oder eine Multiple-Choice-Auswahl ist, und du die GPUs und die Lust hast, ein nicht repliziertes Forschungsrelease zu betreiben — mit einem kritischen Blick auf dein eigenes Material zuerst, da das Paper seinen eigenen Fehlermodus dokumentiert (Zählen kleiner Objekte, wo beide Größen eine Vier-Bücher-Antwort verfehlen) und deine anders sein wird.

Was das Bild verändern würde, ist ein dritter Checkpoint statt eines Siegers. Keines der beiden Modelle kommt einem allgemeinen visuellen Agenten nahe: Jev kann nicht sehen, und VideoJev kann nur die beiden Frageformen beantworten, auf die es trainiert wurde. Die interessante Nachricht wäre ein VideoJev-Release mit einem Textpfad oder ein Jev-Release, das Frames akzeptiert — an welchem Punkt die beiden Linien zusammenlaufen und dies nicht mehr zwei Artikel über zwei Paradigmen ist, sondern ein Artikel über einen Kampf wird.

Eine Veröffentlichung ist zugleich der Moment, zu prüfen, was zuvor schiefgelaufen ist: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle rund um Modelle dieser Klasse sind gesammelt in dem OrcaRouter AI Incident Archive , wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Vertrauensstufe und seine Kennzeichnung als umstritten trägt.