VideoJev vs Jev 1.13: Ide yang Sama, Dua Pekerjaan yang Berbeda

Perbandingan ini tampak jelas sampai Anda mencoba menuliskannya. VideoJev adalah rilis penelitian open-weight dari lab MCG NJU yang menilai interval temporal dan opsi jawaban terhadap bukti video, dalam dua checkpoint, VideoJev-4B dan VideoJev-35B-A3B. Jev 1.13 adalah model keputusan tertutup dan dihosting milik TypeSafe AI — model yang menamai kategori yang ditinggali keduanya. Makalah VideoJev sendiri mengutip Jev sebagai asal paradigma yang diperluasnya, yang membuat ini tampak seperti adu head-to-head. Sebagian besar tidak demikian. Jev 1.13 menerima state teks dan mengembalikan keputusan bertipe. VideoJev menerima video dan mengembalikan interval yang dinilai atau opsi yang dipilih. Keduanya tumpang tindih pada ide dan hampir tidak di mana pun pada input, jadi pertanyaan yang berguna bukanlah "mana yang lebih baik" melainkan "mana yang bahkan memenuhi syarat untuk pekerjaan yang Anda miliki."

Keduanya hadir secara diam-diam dan baru-baru ini, dengan cara yang berbeda. Jev 1.13 diluncurkan pada 2026-09-15 — model publik pertama TypeSafe setelah dua tahun dalam mode stealth — dan telah dapat dipanggil melalui katalog OrcaRouter sendiri di typesafe/jev-1.13 sejak 2026-09-24. VideoJev tidak memiliki peluncuran sama sekali: pracetak arXiv mendarat 2026-10-13, dua checkpoint Apache-2.0 diunggah ke Hugging Face pada 2026-10-10, dan repositori itu masih menerima perbaikan README pada 2026-10-14. Tak satu pun dari keduanya adalah kisah peluncuran hari ini. Yang membuat pasangan ini layak dibaca adalah bahwa keduanya merupakan taruhan arsitektural yang sama yang diterapkan pada dua jenis data yang berbeda, dan perbedaan dalam cara masing-masing disampaikan memberi tahu Anda sebagian besar dari apa yang perlu Anda putuskan.

Masing-masing satu baris, karena ringkasannya cepat berbeda.

Jev 1.13 adalah endpoint yang dihosting. Anda POST-kan satu blok state dan sekumpulan pertanyaan bernama ke /v1/systemone lalu menerima kembali satu jawaban bertipe per pertanyaan — noul (benar/salah dengan probabilitas terkalibrasi), choice (satu label dari hingga 255 opsi), atau score (suatu tingkat pada skala berurutan 2 hingga 10). Tidak ada yang dihasilkan, jadi tidak ada token output dan TypeSafe tidak menagih apa pun; input $0.042 per juta token. Arsitektur, jumlah parameter, dan komputasi pelatihannya tidak diungkapkan. Inputnya hanya teks — string, JSON, array — tanpa jalur gambar, audio, atau video. Anda tidak menjalankannya; setiap panggilan dihitung.

VideoJev adalah susunan yang berlawanan. Ini adalah checkpoint yang Anda unduh dan layani sendiri, di bawah Apache-2.0, dibangun dengan menyempurnakan LLM multimodal yang sudah ada: VideoJev-4B pada Qwen3.5-4B, VideoJev-35B-A3B pada Qwen3.6-35B-A3B. Para penulis menghapus MLP terakhir dan kepala keluaran model bahasa lalu menggantinya dengan penilai kandidat, sehingga model tidak pernah menulis jawaban — ia menilai interval kandidat dan jawaban kandidat secara langsung. Dua mode inferensi mengaturnya: Inferensi cache mengodekan video sekali dan mencabangkan setiap kueri baru dari prefiks itu, dan Inferensi gabungan menempatkan sekelompok pertanyaan di belakang satu prefiks video dan membacanya semua dalam satu forward pass.

Dimensi-dimensi yang benar-benar memisahkan mereka

• Modalitas input — video, pada 2 fps dengan frame dibatasi pada 640×640 untuk VideoJev, vs hanya status teks untuk Jev 1.13.

• Apa itu "keputusan" — interval temporal dalam detik ditambah indeks opsi vs label bertipe, tingkat, atau probabilitas.

• Pengiriman — bobot Apache-2.0 yang dihosting sendiri vs endpoint terhosting berbayar sesuai pemakaian.

• Harga — jam GPU Anda sendiri vs $0.042 per juta token input dengan output ditagihkan nol.

• Biaya kueri kedua pada konteks yang sama — Seluruh masalah desain VideoJev, dijawab oleh penggunaan ulang prefiks; Jev mengirim ulang state pada setiap panggilan, karena tidak memiliki prefiks seukuran video untuk diamortisasi.

• Detail publikasi — pracetak sembilan halaman dengan tabel per-benchmark dan ablasi vs tanpa pengungkapan arsitektur, parameter, atau pelatihan.

• Di mana Anda dapat menjalankannya — di mana pun Anda memiliki GPU yang sesuai, vs endpoint TypeSafe dan gateway yang membawanya, termasuk typesafe/jev-1.13 di OrcaRouter.

Perhatikan apa yang tidak ada dalam daftar itu: tolok ukur bersama. Tidak ada satu pun yang pernah dinilai untuk kedua model, karena tidak ada tugas yang bisa diterima keduanya. Tabel apa pun yang menempatkan keduanya berdampingan hanya akan mengarang perbandingan.

Di mana garis keturunannya nyata, dan di mana ia berhenti

Utang intelektualnya eksplisit, bukan disimpulkan. Pendahuluan VideoJev membingkai kontribusinya sebagai mengambil premis System One — bahwa sebuah model dapat mengeluarkan penilaian terstruktur alih-alih menghasilkan token — dan menanyakan apa yang berubah ketika hal yang dinilai memiliki garis waktu. Jawaban Jev atas "bagaimana sebuah model memutuskan tanpa menulis?" adalah kepala penskoran atas himpunan opsi yang dideklarasikan. Jawaban VideoJev adalah kepala penskoran yang sama yang diarahkan pada stempel waktu sekaligus label.

Ekstensi itu bukan sekadar kosmetik, dan makalah ini luar biasa spesifik tentang alasannya. Ketika konteks yang mendasarinya adalah video, bagian yang mahal adalah pengodean visual, dan agen yang mengajukan enam pertanyaan tentang rekaman yang sama seharusnya tidak membayarnya enam kali. Kedua mode inferensi VideoJev ada untuk memperbaiki hal itu, dan angkanya menunjukkan apa yang dihasilkan keduanya: pada sepuluh kueri grounding terhadap satu video, 0,39 s untuk VideoJev dibandingkan 5,98 s untuk baseline Instruct; di sisi QA, sepuluh kueri dalam 1,67 s. Jev tidak memiliki padanannya karena status teks murah untuk dikirim ulang — masalah yang dipecahkan Jev adalah latensi keputusan per panggilan, dan masalah yang dipecahkan VideoJev adalah latensi keputusan per panggilan setelah yang pertama.

Titik hentinya adalah modalitas. Dokumentasi TypeSafe sendiri dengan gamblang menyatakan bahwa input System One adalah teks — "string, objek JSON, dan array teks" — dan bahwa gambar, audio, dan video tidak didukung. Jadi kedua model tersebut bukan pengganti untuk tugas apa pun. Jika state Anda adalah dokumen, log obrolan, atau kiriman formulir, VideoJev tidak dapat menerimanya. Jika pertanyaan Anda adalah "kapan dalam rekaman ini perempuan berbaju hijau makan pasta", Jev 1.13 juga tidak dapat menerimanya.

Angka-angkanya, dan siapa yang menghasilkannya

Angka-angka utama VideoJev berasal dari harness milik penulis sendiri dan belum direproduksi secara independen. VideoJev-4B mencapai mIoU rata-rata 65,3 pada tiga tolok ukur temporal grounding, 6,7 poin di atas backbone Qwen3.5-4B-nya; VideoJev-35B-A3B mencapai 67,7, 10,8 poin di atas Qwen3.6-35B-A3B. Pada empat tolok ukur video-QA, keduanya berada pada rata-rata 74,3 dan 79,5, yaitu 0,6 poin di bawah dan 0,7 poin di atas backbone Thinking-mode masing-masing, dengan kecepatan 129× dan 100×. Makalah ini juga menjalankan perbandingan terkontrol — Qwen3.5-4B autoregresif biasa yang di-fine-tune pada data yang persis sama, dengan jadwal yang sama — dan VideoJev mengalahkannya dengan selisih 1,3 poin mIoU grounding dan 1,9 poin skor QA. Kontrol itu adalah bukti terkuat dalam makalah ini, karena mengisolasi bentuk readout dari data pelatihan.

Dua catatan penting perlu diperhatikan jika Anda berencana mengandalkannya. Makalah ini melaporkan kesalahan kalibrasi rata-rata sebesar 8,65 poin pada 4B dan 8,13 pada 35B-A3B, yang berarti skornya adalah sinyal pemeringkatan yang baik tetapi probabilitas yang buruk — perlakukan 0,9 sebagai "teratas dalam daftar," bukan "90% kemungkinan." Dan konfigurasi utama checkpoint 35B adalah FP32, menurut halaman proyek, sehingga jejak memori model yang lebih besar lebih berat daripada yang disiratkan oleh jumlah parameternya.

Angka-angka Jev 1.13 juga diterbitkan vendor, tetapi angka-angka itu adalah jenis yang dapat diperiksa dengan memanggilnya: biaya tetap $0.042 per juta token masukan, biaya keluaran nol, dan waktu respons end-to-end 70–500 ms. TypeSafe juga terbuka tentang klaim mana yang tidak dapat difalsifikasi dan mana yang tidak, dengan mencatat bahwa "tidak ada kesalahan tipe" tidak dapat dibantah dengan contoh kontra karena nilai di luar himpunan yang Anda deklarasikan bukanlah nilai yang dapat dikeluarkan model.

Jika Anda membutuhkan keduanya, Anda memiliki dua masalah pengadaan

Di sinilah perbedaan dalam cara penyediaannya tidak lagi bersifat filosofis. VideoJev hadir sebagai repo: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True, dan quickstart yang mengasumsikan H200 untuk pengaturan video panjang. Belum ada dukungan vLLM atau SGLang, jadi ini bukan sesuatu yang bisa Anda layani untuk throughput tinggi besok. Anda mengadopsi stack inferensi, bukan hubungan dengan vendor.

Jev 1.13 hadir sebagai kunci API, dan inilah satu-satunya tempat OrcaRouter benar-benar relevan: model ini ada di katalog kami, jadi ia berada pada kunci yang sama dengan separuh generatif dari alur kerja apa pun yang Anda bangun — satu API untuk 200+ model, markup 0% (harga daftar penyedia diteruskan, jadi perubahan harga TypeSafe langsung berlaku di sini pada hari yang sama), failover otomatis antar penyedia, dan DSL perutean jika Anda ingin menggabungkan beberapa model ke dalam satu panggilan. VideoJev tidak dihosting di sini dan artikel ini tidak akan berpura-pura sebaliknya. Menjalankannya berarti mengunduh bobot Apache-2.0 dan menyiapkan layanan Anda sendiri; yang kami ambil dari piring Anda adalah segala hal di sekitarnya — peringkas yang menuliskan hasilnya, pengklasifikasi yang lebih murah yang menentukan apakah panggilan video itu layak dilakukan sama sekali, fallback saat penyedia goyah.

Aturan keputusan

Ringkasan jujurnya adalah bahwa keduanya memiliki kemiripan keluarga, bukan persaingan. Pilih Jev 1.13 ketika penilaiannya atas teks, jawabannya adalah salah satu dari himpunan yang Anda nyatakan sebelumnya, dan Anda ingin orang lain menjalankan infrastruktur serta pekerjaan kalibrasi. Pilih VideoJev ketika buktinya adalah video, jawabannya adalah stempel waktu atau pilihan ganda, dan Anda memiliki GPU serta kemauan untuk menjalankan rilis riset yang belum direplikasi — dengan meninjau secara kritis rekaman Anda sendiri terlebih dahulu, karena makalahnya mendokumentasikan mode kegagalannya sendiri (penghitungan objek kecil, di mana kedua ukuran melewatkan jawaban empat buku) dan milik Anda akan berbeda.

Yang akan mengubah gambaran adalah checkpoint ketiga, bukan seorang pemenang. Tidak ada model yang mendekati agen visual umum: Jev tidak bisa melihat, dan VideoJev hanya dapat menjawab dua bentuk pertanyaan yang menjadi dasar pelatihannya. Kabar yang menarik adalah rilis VideoJev dengan jalur teks, atau rilis Jev yang menerima frame — pada titik itu kedua jalur bertemu dan ini berhenti menjadi dua artikel tentang dua paradigma dan menjadi satu artikel tentang pertarungan.

Rilis juga merupakan momen untuk memeriksa apa yang pernah salah sebelumnya: insiden AI dan kegagalan agen yang terdokumentasi seputar model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan tanda perselisihan.