VideoJev vs Jev 1.13: stessa idea, due lavori diversi

Il confronto sembra ovvio finché non provi a scriverlo. VideoJev è un rilascio di ricerca a pesi aperti del laboratorio MCG della NJU che valuta intervalli temporali e opzioni di risposta rispetto a evidenze video, in due checkpoint, VideoJev-4B e VideoJev-35B-A3B. Jev 1.13 è il modello decisionale chiuso e ospitato di TypeSafe AI — il modello che ha dato il nome alla categoria in cui entrambi rientrano. Il paper di VideoJev stesso cita Jev come origine del paradigma che estende, il che fa sembrare questo un confronto diretto. Per lo più non lo è. Jev 1.13 prende in input uno stato testuale e restituisce decisioni tipizzate. VideoJev prende in input video e restituisce intervalli con punteggio o un'opzione scelta. Si sovrappongono nell'idea e quasi per nulla nell'input, quindi la domanda utile non è «quale sia migliore» ma «quale dei due è persino idoneo per il lavoro che devi fare».

Entrambi sono arrivati in sordina e di recente, in modi diversi. Jev 1.13 è stato lanciato il 2026-09-15 — il primo modello pubblico di TypeSafe dopo due anni in stealth — ed è invocabile tramite il catalogo proprietario di OrcaRouter su typesafe/jev-1.13 dal 2026-09-24. VideoJev non ha alcun lancio: il preprint arXiv è arrivato il 2026-10-13, i due checkpoint Apache-2.0 sono stati caricati su Hugging Face il 2026-10-10, e il repository stava ancora ricevendo correzioni al README il 2026-10-14. Nessuno dei due, oggi, è una storia di lancio. Ciò che rende la coppia degna di essere letta è che rappresentano la stessa scommessa architetturale applicata a due tipi di dati diversi, e la differenza nel modo in cui ciascuno viene distribuito ti dice gran parte di ciò che ti serve per decidere.

Una riga ciascuno, perché i riassunti divergono in fretta

Jev 1.13 è un endpoint ospitato. Si invia tramite POST un blocco di stato e un insieme di domande denominate a /v1/systemone e si riceve indietro una risposta tipizzata per ogni domanda — noul (un vero/falso con una probabilità calibrata), choice (un'etichetta tra un massimo di 255 opzioni), o score (un livello su una scala ordinata da 2 a 10). Non viene generato nulla, quindi non ci sono token di output e TypeSafe non ne fattura alcuno; l'input costa $0,042 per milione di token. La sua architettura, il numero di parametri e la potenza di calcolo usata per l'addestramento non sono divulgati. Il suo input è solo testo — stringhe, JSON, array — senza alcun percorso per immagini, audio o video. Non lo esegui tu; ogni chiamata è a consumo.

VideoJev è la disposizione opposta. È un checkpoint che scarichi e servi da solo, con licenza Apache-2.0, creato tramite fine-tuning di un LLM multimodale esistente: VideoJev-4B su Qwen3.5-4B, VideoJev-35B-A3B su Qwen3.6-35B-A3B. Gli autori rimuovono l'MLP finale e la testa di output del modello linguistico e li sostituiscono con un assegnatore di punteggi ai candidati, così il modello non scrive mai una risposta — assegna direttamente un punteggio a intervalli candidati e risposte candidate. Due modalità di inferenza lo organizzano: Inferenza con cache codifica il video una volta e dirama ogni nuova query da quel prefisso, e Inferenza congiunta mette un gruppo di domande dietro un unico prefisso video e le legge tutte in un'unica passata in avanti.

Le dimensioni che effettivamente li separano

• Modalità di input — video, a 2 fps con frame limitati a 640×640 per VideoJev, rispetto al solo stato testuale per Jev 1.13.

• Che cos'è una "decisione" — un intervallo temporale in secondi più un indice di opzione rispetto a un'etichetta tipizzata, un livello o una probabilità.

• Distribuzione — pesi Apache-2.0 self-hosted vs un endpoint ospitato a consumo.

• Prezzo — le tue ore di GPU rispetto a $0,042 per milione di token di input, con l'output fatturato a zero.

• Costo di una seconda query sullo stesso contesto — l'intero problema di progettazione di VideoJev, risolto dal riutilizzo del prefisso; Jev rinvia lo stato a ogni chiamata, poiché non ha un prefisso grande quanto un video da ammortizzare.

• Dettaglio pubblicato — un preprint di nove pagine con tabelle per benchmark e ablazioni rispetto all'assenza di divulgazione di architettura, parametri o addestramento.

• Dove puoi eseguirlo — ovunque tu abbia una GPU adeguata, rispetto all'endpoint di TypeSafe e ai gateway che lo trasportano, incluso typesafe/jev-1.13 su OrcaRouter.

Nota cosa non c'è in quella lista: un benchmark condiviso. Non c'è nulla su cui entrambi i modelli siano stati valutati, perché non esiste un compito che entrambi possano accettare. Qualsiasi tabella che li metta fianco a fianco starebbe inventando un confronto.

Dove la discendenza è reale, e dove si ferma

Il debito intellettuale è esplicito anziché dedotto. L'introduzione di VideoJev inquadra il suo contributo come il prendere la premessa di System One — che un modello possa emettere un giudizio strutturato invece di generare token — e il chiedersi cosa cambi quando ciò che viene giudicato ha una linea temporale. La risposta di Jev a "come decide un modello senza scrivere?" è una testa di scoring su un insieme di opzioni dichiarato. La risposta di VideoJev è la stessa testa di scoring puntata sia ai timestamp sia alle etichette.

Quell'estensione non è cosmetica, e l'articolo è insolitamente specifico sul perché. Quando il contesto sottostante è un video, la parte costosa è la codifica visiva, e un agente che pone sei domande sullo stesso filmato non dovrebbe pagare sei volte per questo. Entrambe le modalità di inferenza di VideoJev esistono per risolvere questo problema, e i numeri mostrano cosa offrono: su dieci query di grounding su un video, 0,39 s per VideoJev contro 5,98 s per una baseline Instruct; sul fronte QA, dieci query in 1,67 s. Jev non ha un equivalente perché uno stato testuale è economico da reinviare — il problema che Jev risolve è la latenza decisionale per chiamata, e il problema che VideoJev risolve è la latenza decisionale per chiamata dopo la prima.

Il punto decisivo è la modalità. La documentazione di TypeSafe stessa è chiara sul fatto che l'input di System One è testo — «stringhe, oggetti JSON e array di testo» — e che immagini, audio e video non sono supportati. Quindi i due modelli non sono sostituti l'uno dell'altro in nessun compito. Se il tuo stato è un documento, un log di chat o l'invio di un modulo, VideoJev non può accettarlo. Se la tua domanda è «quando in questo filmato la donna in verde mangia la pasta», neanche Jev 1.13 può accettarla.

I numeri, e chi li ha prodotti

Le cifre principali di VideoJev provengono dall'harness degli stessi autori e non sono state riprodotte in modo indipendente. VideoJev-4B raggiunge 65,3 mIoU medio su tre benchmark di temporal grounding, 6,7 punti sopra il suo backbone Qwen3.5-4B; VideoJev-35B-A3B raggiunge 67,7, 10,8 punti sopra Qwen3.6-35B-A3B. Su quattro benchmark di video-QA i due si attestano a 74,3 e 79,5 di media, rispettivamente 0,6 punti sotto e 0,7 punti sopra i loro backbone in modalità Thinking, a 129× e 100× la velocità. Il paper esegue anche un confronto controllato — un comune Qwen3.5-4B autoregressivo fine-tuned esattamente sugli stessi dati, con lo stesso schedule — e VideoJev lo batte di 1,3 punti di mIoU di grounding e 1,9 punti di punteggio QA. Quel controllo è la prova più forte nel paper, perché isola la forma del readout dai dati di addestramento.

Due avvertenze sono importanti se prevedi di farci affidamento. L'articolo riporta un errore medio di calibrazione di 8,65 punti a 4B e 8,13 a 35B-A3B, il che significa che i punteggi sono un buon segnale di ranking e una pessima probabilità: considera uno 0,9 come "in cima alla lista", non come "probabile al 90%". E la configurazione di punta del checkpoint 35B è FP32, secondo la pagina del progetto, quindi l'impronta di memoria del modello più grande è più pesante di quanto suggerisca il numero di parametri.

Le cifre di Jev 1.13 sono anch'esse pubblicate dal fornitore, ma sono del tipo che si può verificare facendogli una chiamata: un costo fisso di $0,042 per milione di token di input, un costo di output pari a zero e tempi di risposta end-to-end di 70–500 ms. TypeSafe è anche trasparente riguardo a quali affermazioni siano non falsificabili e quali no, osservando che "nessun errore di tipo" non può essere confutato con un controesempio, perché un valore al di fuori dell'insieme dichiarato non è un valore che il modello può emettere.

Se ti servono entrambi, hai due problemi di approvvigionamento.

È qui che la differenza nella modalità di fornitura smette di essere filosofica. VideoJev arriva come repo: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True, e una quickstart che presuppone una H200 per le impostazioni dei video lunghi. Non c'è ancora supporto per vLLM o SGLang, quindi non è qualcosa che metti in servizio a pieno throughput domani. Stai adottando uno stack di inferenza, non una relazione con un fornitore.

Jev 1.13 arriva come chiave API, e questo è l'unico punto in cui OrcaRouter è direttamente rilevante: il modello è nel nostro catalogo, quindi si trova sulla stessa chiave della metà generativa di qualunque workflow tu stia costruendo — una sola API per oltre 200 modelli, 0% di markup (il prezzo di listino del provider viene passato così com'è, quindi una variazione di prezzo di TypeSafe è attiva qui lo stesso giorno), failover automatico tra provider, e un DSL di routing se vuoi comporre diversi modelli in un'unica chiamata. VideoJev non è ospitato qui e questo articolo non fingerà il contrario. Eseguirlo significa scaricare i pesi Apache-2.0 e mettere in piedi un tuo servizio; quello che ti togliamo di dosso è tutto ciò che gli sta intorno — il riassuntore che redige il risultato, il classificatore più economico che decide se vale la pena fare la chiamata video, il fallback quando un provider vacilla.

La regola di decisione

Il riassunto onesto è che questi due sono una somiglianza di famiglia, non una rivalità. Scegli Jev 1.13 quando il giudizio è su un testo, la risposta è una di un insieme che dichiari in anticipo, e vuoi che qualcun altro gestisca l'infrastruttura e il lavoro di calibrazione. Scegli VideoJev quando la prova è un video, la risposta è un timestamp o una scelta a risposta multipla, e hai le GPU e la voglia di eseguire un rilascio di ricerca non replicato — con uno sguardo attento al tuo materiale prima, dato che il paper documenta il proprio modo di fallire (il conteggio di oggetti piccoli, dove entrambe le dimensioni mancano una risposta da quattro libri) e il tuo sarà diverso.

Ciò che cambierebbe il quadro sarebbe un terzo checkpoint, piuttosto che un vincitore. Nessuno dei due modelli è vicino a un agente visivo generale: Jev non può vedere, e VideoJev può rispondere solo alle due forme di domanda su cui è stato addestrato. La notizia interessante sarebbe un rilascio di VideoJev con un percorso testuale, o un rilascio di Jev che accetta frame — a quel punto le due linee convergono e questo smette di essere due articoli su due paradigmi e diventa un unico articolo su una lotta.

Un rilascio è anche il momento di verificare cosa è andato storto in precedenza: gli incidenti documentati di IA e i guasti degli agenti relativi ai modelli di questa classe sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di affidabilità e il flag di contestazione.