VideoJev vs Jev 1.13 : même idée, deux fonctions différentes

La comparaison paraît évidente jusqu'à ce qu'on essaie de la rédiger. VideoJev est une version de recherche à poids ouverts du laboratoire MCG de la NJU qui évalue des intervalles temporels et des options de réponse par rapport à des preuves vidéo, en deux checkpoints, VideoJev-4B et VideoJev-35B-A3B. Jev 1.13 est le modèle de décision fermé et hébergé de TypeSafe AI — le modèle qui a nommé la catégorie dans laquelle les deux évoluent. L'article de VideoJev lui-même cite Jev comme l'origine du paradigme qu'il étend, ce qui donne l'impression d'une confrontation directe. Ce n'est pas le cas, pour l'essentiel. Jev 1.13 prend un état textuel et renvoie des décisions typées. VideoJev prend de la vidéo et renvoie des intervalles notés ou une option choisie. Ils se recoupent sur l'idée et presque nulle part sur l'entrée, donc la question utile n'est pas « lequel est meilleur » mais « lequel est ne serait-ce qu'éligible pour le travail que vous avez. »

Tous deux sont arrivés discrètement et récemment, de façons différentes. Jev 1.13 est sorti le 2026-09-15 — premier modèle public de TypeSafe après deux ans en mode furtif — et est appelable via le catalogue propre d'OrcaRouter à typesafe/jev-1.13 depuis le 2026-09-24. VideoJev n'a pas eu de lancement du tout : la prépublication arXiv est arrivée le 2026-10-13, les deux checkpoints Apache-2.0 ont été mis en ligne sur Hugging Face le 2026-10-10, et le dépôt recevait encore des correctifs de README le 2026-10-14. Aucun des deux n'est une histoire de lancement aujourd'hui. Ce qui rend le duo intéressant, c'est qu'ils reposent sur le même pari architectural appliqué à deux types de données différents, et la différence dans leur mode de distribution vous dit l'essentiel de ce qu'il vous faut pour décider.

Une ligne chacun, car les résumés divergent vite.

Jev 1.13 est un point de terminaison hébergé. Vous envoyez par POST un bloc d'état et un ensemble de questions nommées à /v1/systemone et recevez en retour une réponse typée par question — noul (un vrai/faux assorti d'une probabilité calibrée), choice (une étiquette parmi jusqu'à 255 options), ou score (un niveau sur une échelle ordonnée de 2 à 10). Rien n'est généré, donc il n'y a pas de jetons de sortie et TypeSafe n'en facture aucun ; l'entrée coûte 0,042 $ par million de jetons. Son architecture, son nombre de paramètres et son compute d'entraînement ne sont pas divulgués. Son entrée est uniquement textuelle — chaînes, JSON, tableaux — sans voie pour l'image, l'audio ou la vidéo. Vous ne l'exécutez pas ; chaque appel est facturé.

VideoJev est la configuration inverse. C’est un checkpoint que vous téléchargez et servez vous-même, sous Apache-2.0, construit en affinant un LLM multimodal existant : VideoJev-4B sur Qwen3.5-4B, VideoJev-35B-A3B sur Qwen3.6-35B-A3B. Les auteurs retirent le MLP final et la tête de sortie du modèle de langage et les remplacent par un scoreur de candidats, de sorte que le modèle n’écrit jamais de réponse — il note directement les intervalles candidats et les réponses candidates. Deux modes d’inférence l’organisent : Inférence en cache encode la vidéo une fois et fait partir chaque nouvelle requête de ce préfixe, et Inférence conjointe place un groupe de questions derrière un seul préfixe vidéo et les lit toutes en une seule passe avant.

Les dimensions qui les distinguent réellement

• Modalité d'entrée — vidéo, à 2 fps avec des images plafonnées à 640×640 pour VideoJev, contre un état textuel uniquement pour Jev 1.13.

• Ce qu'est une « décision » — un intervalle temporel en secondes plus un index d'option vs une étiquette typée, un niveau ou une probabilité.

• Livraison — poids Apache-2.0 auto-hébergés vs un point de terminaison hébergé facturé à l'usage.

• Prix — vos propres heures de GPU contre 0,042 $ par million de jetons d'entrée, la sortie étant facturée à zéro.

• Coût d'une seconde requête sur le même contexte — tout le problème de conception de VideoJev, résolu par la réutilisation de préfixe ; Jev renvoie l'état à chaque appel, puisqu'il n'a pas de préfixe de la taille d'une vidéo à amortir.

• Détail publié — une prépublication de neuf pages avec des tableaux par benchmark et des ablations par rapport à l'absence d'architecture, de paramètres ou de divulgation de l'entraînement.

• Où vous pouvez l'exécuter — n'importe où vous disposez d'un GPU adapté, contrairement au point de terminaison de TypeSafe et aux passerelles qui le prennent en charge, notamment typesafe/jev-1.13 sur OrcaRouter.

Notez ce qui n’est pas sur cette liste : un benchmark partagé. Il n’y a rien sur quoi les deux modèles ont été évalués, parce qu’il n’existe aucune tâche que les deux puissent accepter. Tout tableau qui les mettrait côte à côte inventerait une comparaison.

Là où la lignée est réelle, et où elle s'arrête

La dette intellectuelle est explicite plutôt qu’inférée. L’introduction de VideoJev présente sa contribution comme reprenant la prémisse de System One — qu’un modèle peut émettre un jugement structuré au lieu de générer des jetons — et demandant ce qui change lorsque ce qui est jugé possède une ligne temporelle. La réponse de Jev à « comment un modèle décide-t-il sans écrire ? » est une tête de notation sur un ensemble d’options déclaré. La réponse de VideoJev est la même tête de notation, pointée vers des horodatages autant que vers des étiquettes.

Cette extension n'est pas cosmétique, et l'article est particulièrement précis sur les raisons. Lorsque le contexte sous-jacent est une vidéo, la partie coûteuse est l'encodage visuel, et un agent qui pose six questions sur les mêmes séquences ne devrait pas payer pour cela six fois. Les deux modes d'inférence de VideoJev existent pour remédier à cela, et les chiffres montrent ce qu'ils apportent : sur dix requêtes de grounding portant sur une seule vidéo, 0,39 s pour VideoJev contre 5,98 s pour une base de référence Instruct ; côté QA, dix requêtes en 1,67 s. Jev n'a pas d'équivalent, car un état textuel coûte peu à renvoyer — le problème que Jev résout est la latence de décision par appel, et le problème que VideoJev résout est la latence de décision par appel après le premier.

Le point d’arrêt, c’est la modalité. La documentation de TypeSafe elle-même indique clairement que l’entrée de System One est du texte — « des chaînes de caractères, des objets JSON et des tableaux de texte » — et que les images, l’audio et la vidéo ne sont pas pris en charge. Les deux modèles ne sont donc pas interchangeables pour quelque tâche que ce soit. Si votre état est un document, un historique de conversation ou un formulaire soumis, VideoJev ne peut pas l’accepter. Si votre question est « à quel moment, dans cette séquence, la femme en vert mange-t-elle des pâtes ? », Jev 1.13 ne peut pas la prendre en charge non plus.

Les chiffres, et qui les a produits

Les chiffres phares de VideoJev proviennent du harnais propre aux auteurs et n'ont pas été reproduits de manière indépendante. VideoJev-4B atteint un mIoU moyen de 65,3 sur trois benchmarks d'ancrage temporel, soit 6,7 points au-dessus de son backbone Qwen3.5-4B ; VideoJev-35B-A3B atteint 67,7, soit 10,8 points au-dessus de Qwen3.6-35B-A3B. Sur quatre benchmarks de QA vidéo, les deux se situent à une moyenne de 74,3 et 79,5, à 0,6 point en dessous et 0,7 point au-dessus de leurs backbones en mode Thinking, à 129× et 100× la vitesse. L'article effectue aussi une comparaison contrôlée — un Qwen3.5-4B autorégressif ordinaire affiné sur exactement les mêmes données, avec le même programme d'entraînement — et VideoJev le dépasse de 1,3 point de mIoU d'ancrage et de 1,9 point de score QA. Ce contrôle est la preuve la plus solide de l'article, car il isole la forme du readout des données d'entraînement.

Deux mises en garde s’imposent si vous comptez vous appuyer dessus. L’article rapporte une erreur de calibration moyenne de 8,65 points à 4B et de 8,13 à 35B-A3B, ce qui signifie que les scores constituent un bon signal de classement et une mauvaise probabilité — considérez un 0,9 comme « en tête de liste », et non comme « probable à 90 % ». Et la configuration phare du checkpoint 35B est FP32, d’après la page du projet, si bien que l’empreinte mémoire du modèle plus grand est plus lourde que ne le suggère le nombre de paramètres.

Les chiffres de Jev 1.13 sont eux aussi publiés par le fournisseur, mais ils sont du genre que l’on peut vérifier en l’appelant : un coût fixe de 0,042 $ par million de jetons d’entrée, un coût de sortie nul, et des temps de réponse de bout en bout de 70 à 500 ms. TypeSafe est également franc sur les affirmations qui sont irréfutables et celles qui ne le sont pas, en soulignant que « aucune erreur de type » ne peut être réfutée par un contre-exemple, car une valeur en dehors de l’ensemble que vous avez déclaré n’est pas une valeur que le modèle peut émettre.

Si vous avez besoin des deux, vous avez deux problèmes d'approvisionnement.

C'est ici que la différence de livraison cesse d'être philosophique. VideoJev arrive sous forme de dépôt : PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True, et un guide de démarrage rapide qui suppose une H200 pour les paramètres de vidéo longue. Il n'y a pas encore de prise en charge de vLLM ou SGLang, ce n'est donc pas quelque chose que vous pouvez servir en production à haut débit dès demain. Vous adoptez une pile d'inférence, pas une relation fournisseur.

Jev 1.13 arrive sous forme de clé API, et c'est le seul endroit où OrcaRouter est directement pertinent : le modèle figure sur notre catalogue, donc il se trouve sur la même clé que la moitié générative de tout workflow que vous construisez — une API pour plus de 200 modèles, 0 % de marge (prix catalogue du fournisseur répercuté, donc un changement de prix TypeSafe est effectif ici le jour même), bascule automatique entre fournisseurs, et un DSL de routage si vous voulez composer plusieurs modèles en un seul appel. VideoJev n'est pas hébergé ici et cet article ne prétendra pas le contraire. Le faire tourner implique de télécharger les poids Apache-2.0 et de monter votre propre service ; ce que nous vous retirons, c'est tout ce qui l'entoure — le summariseur qui rédige le résultat, le classifieur moins cher qui détermine si l'appel vidéo vaut vraiment la peine d'être effectué, le fallback quand un fournisseur vacille.

La règle de décision

Le résumé honnête, c'est que ces deux-là ont un air de famille, pas une rivalité. Choisissez Jev 1.13 lorsque le jugement porte sur du texte, que la réponse est l'une d'un ensemble que vous déclarez à l'avance, et que vous voulez que quelqu'un d'autre gère l'infrastructure et le travail de calibration. Choisissez VideoJev lorsque la preuve est une vidéo, que la réponse est un horodatage ou une réponse à choix multiple, et que vous avez les GPU et l'envie de faire tourner une version de recherche non répliquée — en examinant d'abord attentivement vos propres séquences, car l'article documente son propre mode de défaillance (le comptage de petits objets, où les deux tailles ratent une réponse à quatre livres) et le vôtre sera différent.

Ce qui changerait la donne, ce serait un troisième point de contrôle plutôt qu’un vainqueur. Aucun des deux modèles n’est proche d’un agent visuel général : Jev ne peut pas voir, et VideoJev ne peut répondre qu’aux deux formes de questions sur lesquelles il a été entraîné. La nouvelle intéressante serait une version de VideoJev dotée d’un chemin textuel, ou une version de Jev qui accepte des images — à ce moment-là, les deux lignes convergent et il ne s’agit plus de deux articles sur deux paradigmes, mais d’un seul article sur un combat.

Une sortie est aussi le moment de vérifier ce qui a mal tourné auparavant : les incidents d'IA documentés et les défaillances d'agents autour des modèles de cette classe sont rassemblés dans the OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et un indicateur de contestation.