VideoJev vs Jev 1.13: Misma idea, dos trabajos diferentes

La comparación parece obvia hasta que intentas escribirla. VideoJev es un lanzamiento de investigación de pesos abiertos del laboratorio MCG de NJU que puntúa intervalos temporales y opciones de respuesta frente a evidencia de video, en dos checkpoints, VideoJev-4B y VideoJev-35B-A3B. Jev 1.13 es el modelo de decisión cerrado y alojado de TypeSafe AI — el modelo que nombró la categoría en la que ambos viven. El propio artículo de VideoJev cita a Jev como el origen del paradigma que VideoJev extiende, lo que hace que esto parezca un cara a cara. En su mayor parte, no lo es. Jev 1.13 recibe estado de texto y devuelve decisiones tipadas. VideoJev recibe video y devuelve intervalos puntuados o una opción elegida. Coinciden en la idea y casi en ningún punto de la entrada, así que la pregunta útil no es “cuál es mejor” sino “cuál de los dos es siquiera elegible para el trabajo que tienes”.

Ambos llegaron en silencio y hace poco, de maneras distintas. Jev 1.13 se lanzó el 15 de septiembre de 2026 —el primer modelo público de TypeSafe después de dos años en modo sigiloso— y ha estado disponible para invocarse a través del propio catálogo de OrcaRouter en typesafe/jev-1.13 desde el 24 de septiembre de 2026. VideoJev no tiene lanzamiento alguno: el preprint de arXiv se publicó el 13 de octubre de 2026, los dos checkpoints con licencia Apache-2.0 se publicaron en Hugging Face el 10 de octubre de 2026, y el repositorio seguía recibiendo correcciones del README el 14 de octubre de 2026. Ninguno de los dos es una historia de lanzamiento hoy. Lo que hace que el emparejamiento merezca la pena leer es que son la misma apuesta arquitectónica aplicada a dos tipos de datos diferentes, y la diferencia en cómo se entrega cada uno te dice la mayor parte de lo que necesitas para decidir.

Una línea cada uno, porque los resúmenes divergen rápido.

Jev 1.13 es un endpoint alojado. Envías por POST un bloque de estado y un conjunto de preguntas con nombre a /v1/systemone y recibes una respuesta tipada por pregunta: noul (un verdadero/falso con una probabilidad calibrada), choice (una etiqueta entre hasta 255 opciones) o score (un nivel en una escala ordenada de 2 a 10). No se genera nada, así que no hay tokens de salida y TypeSafe no cobra ninguno; la entrada cuesta $0.042 por millón de tokens. Su arquitectura, su número de parámetros y su cómputo de entrenamiento no se divulgan. Su entrada es solo texto —cadenas, JSON, arreglos— sin ruta de imagen, audio o vídeo. No lo ejecutas tú; cada llamada se factura por uso.

VideoJev es el arreglo opuesto. Es un checkpoint que descargas y sirves tú mismo, bajo Apache-2.0, construido mediante el ajuste fino de un LLM multimodal existente: VideoJev-4B sobre Qwen3.5-4B, VideoJev-35B-A3B sobre Qwen3.6-35B-A3B. Los autores eliminan la MLP final y la cabeza de salida del modelo de lenguaje y las reemplazan con un evaluador de candidatos, de modo que el modelo nunca escribe una respuesta — puntúa directamente intervalos candidatos y respuestas candidatas. Dos modos de inferencia lo organizan: Inferencia en caché codifica el video una vez y ramifica cada nueva consulta a partir de ese prefijo, y Inferencia conjunta coloca un grupo de preguntas detrás de un prefijo de video y las lee todas en una sola pasada hacia adelante.

Las dimensiones que realmente los separan

• Modalidad de entrada — vídeo, a 2 fps con fotogramas limitados a 640×640 para VideoJev, frente a solo estado de texto para Jev 1.13.

• Qué es una «decisión» — un intervalo temporal en segundos más un índice de opción frente a una etiqueta tipada, un nivel o una probabilidad.

• Entrega — pesos autoalojados bajo Apache-2.0 frente a un endpoint alojado con tarifación por uso.

• Precio — tus propias horas de GPU frente a $0,042 por millón de tokens de entrada, con la salida facturada a cero.

• Coste de una segunda consulta sobre el mismo contexto — todo el problema de diseño de VideoJev, resuelto mediante la reutilización de prefijos; Jev reenvía el estado en cada llamada, ya que no tiene un prefijo del tamaño de un vídeo que amortizar.

• Detalle publicado — un preprint de nueve páginas con tablas por benchmark y ablaciones frente a la no divulgación de la arquitectura, los parámetros o el entrenamiento.

• Dónde puedes ejecutarlo — en cualquier lugar donde tengas una GPU adecuada, en comparación con el endpoint de TypeSafe y las pasarelas que lo transportan, incluido typesafe/jev-1.13 en OrcaRouter.

Fíjate en lo que no está en esa lista: un benchmark compartido. No hay nada en lo que ambos modelos hayan sido puntuados, porque no hay ninguna tarea que ambos puedan aceptar. Cualquier tabla que los ponga uno al lado del otro estaría inventando una comparación.

Donde el linaje es real y donde se detiene

La deuda intelectual es explícita en lugar de inferida. La introducción de VideoJev enmarca su contribución como tomar la premisa de System One —que un modelo puede emitir un juicio estructurado en lugar de generar tokens— y preguntar qué cambia cuando aquello que se juzga tiene una línea temporal. La respuesta de Jev a "¿cómo decide un modelo sin escribir?" es una cabeza de puntuación sobre un conjunto de opciones declarado. La respuesta de VideoJev es la misma cabeza de puntuación apuntada tanto a marcas de tiempo como a etiquetas.

Esa extensión no es cosmética, y el artículo es inusualmente específico sobre por qué. Cuando el contexto subyacente es un video, la parte costosa es la codificación visual, y un agente que hace seis preguntas sobre el mismo metraje no debería pagar por ello seis veces. Ambos modos de inferencia de VideoJev existen para solucionar eso, y los números muestran lo que aportan: en diez consultas de grounding sobre un video, 0,39 s para VideoJev frente a 5,98 s para una línea base Instruct; en el lado de QA, diez consultas en 1,67 s. Jev no tiene equivalente porque un estado de texto es barato de reenviar — el problema que resuelve Jev es la latencia de decisión por llamada, y el problema que resuelve VideoJev es la latencia de decisión por llamada después de la primera.

El punto de detención es la modalidad. La propia documentación de TypeSafe deja claro que la entrada de System One es texto —"cadenas, objetos JSON y arreglos de texto"— y que las imágenes, el audio y el video no son compatibles. Por lo tanto, los dos modelos no son sustitutos en ninguna tarea. Si tu estado es un documento, un registro de chat o el envío de un formulario, VideoJev no puede aceptarlo. Si tu pregunta es "¿cuándo en este metraje la mujer de verde come pasta?", Jev 1.13 tampoco puede aceptarla.

Los números, y quién los produjo

Las cifras principales de VideoJev provienen del propio entorno de pruebas de los autores y no han sido reproducidas de forma independiente. VideoJev-4B alcanza una mIoU media de 65,3 en tres benchmarks de grounding temporal, 6,7 puntos por encima de su backbone Qwen3.5-4B; VideoJev-35B-A3B alcanza 67,7, 10,8 puntos por encima de Qwen3.6-35B-A3B. En cuatro benchmarks de QA de vídeo, ambos se sitúan en 74,3 y 79,5 de media, a 0,6 puntos por debajo y 0,7 puntos por encima de sus backbones en modo Thinking, a 129× y 100× la velocidad. El artículo también realiza una comparación controlada —un Qwen3.5-4B autorregresivo convencional ajustado exactamente con los mismos datos y el mismo calendario de entrenamiento— y VideoJev le supera en 1,3 puntos de mIoU de grounding y 1,9 puntos de puntuación de QA. Ese control es la evidencia más sólida del artículo, porque aísla la forma del readout de los datos de entrenamiento.

Dos salvedades son importantes si tienes previsto confiar en él. El artículo informa un error de calibración medio de 8,65 puntos en 4B y 8,13 en 35B-A3B, lo que significa que las puntuaciones son una buena señal de ordenación y una probabilidad deficiente: interpreta un 0,9 como «lo más alto de la lista», no como «90 % probable». Y la configuración principal del checkpoint de 35B es FP32, según la página del proyecto, así que la huella de memoria del modelo más grande es más pesada de lo que sugiere el número de parámetros.

Las cifras de Jev 1.13 también las publica el proveedor, pero son del tipo que se puede comprobar llamándolo: una tarifa fija de $0.042 por millón de tokens de entrada, coste de salida cero y tiempos de respuesta de extremo a extremo de 70–500 ms. TypeSafe también es franco sobre qué afirmaciones son infalsables y cuáles no, y señala que "ningún error de tipo" no se puede refutar con un contraejemplo porque un valor fuera del conjunto declarado no es un valor que el modelo pueda emitir.

Si necesitas ambos, tienes dos problemas de adquisición

Aquí es donde la diferencia en la entrega deja de ser filosófica. VideoJev llega como un repositorio: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True, y un inicio rápido que asume una H200 para las configuraciones de videos largos. Todavía no hay soporte para vLLM ni SGLang, así que no es algo que puedas poner en servicio con buen rendimiento mañana mismo. Estás asumiendo un stack de inferencia, no una relación con un proveedor.

Jev 1.13 llega como una clave de API, y este es el único punto en el que OrcaRouter es directamente relevante: el modelo está en nuestro catálogo, así que ocupa la misma clave que la mitad generativa del flujo de trabajo que estés creando — una API para más de 200 modelos, 0 % de recargo (el precio de lista del proveedor se traslada tal cual, de modo que un cambio de precio de TypeSafe se refleja aquí el mismo día), conmutación por error automática entre proveedores, y un DSL de enrutamiento si quieres combinar varios modelos en una sola llamada. VideoJev no está alojado aquí y este artículo no va a fingir lo contrario. Ejecutarlo implica descargar los pesos de Apache-2.0 y levantar tu propio servicio; lo que te quitamos de encima es todo lo que lo rodea — el resumidor que redacta el resultado, el clasificador más barato que decide si merece la pena hacer la videollamada siquiera, el respaldo cuando un proveedor se tambalea.

La regla de decisión

El resumen honesto es que estos dos tienen un aire de familia, no una rivalidad. Elige Jev 1.13 cuando la evaluación sea sobre texto, la respuesta sea una de un conjunto que declaras de antemano, y quieras que otro se encargue de la infraestructura y del trabajo de calibración. Elige VideoJev cuando la evidencia sea un video, la respuesta sea una marca de tiempo o una opción de selección múltiple, y tengas las GPUs y el apetito para ejecutar un lanzamiento de investigación no replicado — con un examen minucioso de tu propio metraje primero, ya que el artículo documenta su propio modo de fallo (el conteo de objetos pequeños, donde ambos tamaños pasan por alto una respuesta de cuatro libros) y el tuyo será diferente.

Lo que cambiaría el panorama es un tercer punto de control en lugar de un ganador. Ninguno de los modelos se acerca a un agente visual general: Jev no puede ver, y VideoJev solo puede responder a las dos formas de preguntas con las que fue entrenado. La noticia interesante sería un lanzamiento de VideoJev con una ruta de texto, o un lanzamiento de Jev que acepte fotogramas — momento en el cual las dos líneas convergen y esto deja de ser dos artículos sobre dos paradigmas y se convierte en un artículo sobre una pelea.

Un lanzamiento también es el momento de revisar lo que ha salido mal antes: los incidentes documentados de IA y los fallos de agentes relacionados con modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.