VideoJev vs Jev 1.13：同じアイデア、2つの異なる役割

この比較は、いざ書き出そうとすると明白には見えない。VideoJevは、NJUのMCGラボによるオープンウェイトの研究リリースで、時間区間と回答選択肢を映像証拠に照らして採点する。2つのチェックポイント、VideoJev-4BとVideoJev-35B-A3B。Jev 1.13はTypeSafe AIのクローズドなホスト型意思決定モデルであり、両者が属するカテゴリーに名前を与えたモデルだ。VideoJev自身の論文は、Jevをそれが拡張するパラダイムの起源として引用しており、そのためこれは直接対決のように見える。だが実際はほとんどそうではない。Jev 1.13はテキスト状態を受け取り、型付きの意思決定を返す。VideoJevは映像を受け取り、スコア付きの区間または選ばれた選択肢を返す。両者は発想の上では重なるが、入力の上ではほとんど重ならない。したがって有用な問いは「どちらが優れているか」ではなく、「あなたの仕事にそもそも適格なのはどちらか」である。

どちらも静かに、そしてつい最近、異なる形で登場した。Jev 1.13は2026年9月15日に発表された——TypeSafeが2年間のステルスを経て公開した最初のモデルであり——そしてOrcaRouter自身のカタログを通じて呼び出し可能で、2026年9月24日以降 typesafe/jev-1.13 で利用できる。VideoJevには発表というものがまったくない。arXivのプレプリントが公開されたのは2026年10月13日、2つのApache-2.0チェックポイントがHugging Faceにアップロードされたのは2026年10月10日、そしてリポジトリは2026年10月14日になってもなおREADMEの修正が続いていた。今日、どちらもローンチの物語ではない。この2つを並べて読む価値があるのは、それらが同じアーキテクチャ上の賭けを2つの異なるデータ型に適用したものであり、それぞれの提供方法の違いが、判断に必要なことのほとんどを教えてくれるからだ。

要約はすぐに分岐するので、それぞれ1行ずつ。

Jev 1.13はホスト型エンドポイントです。/v1/systemone に状態のブロックと名前付きの質問のセットを POST すると、質問ごとに型付きの回答が1つ返ってきます — noul（較正された確率を伴う真偽値）、choice（最大255個の選択肢から1つのラベル）、score（2〜10の順序尺度上のレベル）。何も生成されないため、出力トークンは存在せず、TypeSafe も一切課金しません。入力は100万トークンあたり $0.042 です。そのアーキテクチャ、パラメータ数、トレーニング計算量は非公開です。入力はテキストのみ — 文字列、JSON、配列 — で、画像、音声、動画の経路はありません。自分で実行するのではなく、すべての呼び出しが従量課金されます。

VideoJevは逆の構成です。自分でダウンロードして自分でホストするチェックポイントで、Apache-2.0 の下で公開されており、既存のマルチモーダル LLM をファインチューニングして作られています。VideoJev-4B は Qwen3.5-4B を、VideoJev-35B-A3B は Qwen3.6-35B-A3B をベースにしています。著者らは最終 MLP と言語モデルの出力ヘッドを取り除き、候補スコアラーに置き換えているため、モデルが答えを書くことはありません — 候補区間と候補回答を直接スコアリングします。推論モードは 2 つあり、キャッシュ推論は動画を一度エンコードし、そのプレフィックスから新しいクエリごとに分岐させます。ジョイント推論は、複数の質問を 1 つの動画プレフィックスの後ろにまとめ、1 回のフォワードパスでまとめて読み出します。

実際にそれらを分ける次元

• 入力モダリティ — VideoJevでは2 fpsの動画でフレームは最大640×640、一方Jev 1.13ではテキスト状態のみ。

• 「決定」とは何か — 秒単位の時間間隔と、オプションインデックスか型付きラベル、レベル、または確率のいずれか。

• 提供方法 — セルフホストのApache-2.0ウェイト vs 従量課金制のホスト型エンドポイント。

• 価格 — 自前のGPU時間 vs 入力トークン100万あたり$0.042、出力は無料

• 同一コンテキストに対する2回目のクエリのコスト — VideoJev の設計上の課題そのものであり、プレフィックスの再利用によって解決される。Jev には償却できる動画サイズのプレフィックスがないため、呼び出しごとに状態を再送信する。

• 公開されている詳細 — ベンチマークごとの表とアブレーションを掲載した9ページのプレプリント。ただし、アーキテクチャ、パラメータ、学習に関する開示は一切ない。

• 実行できる場所 — 適切なGPUがあればどこでも。対してTypeSafeのエンドポイントと、それを中継するゲートウェイ（OrcaRouter上のtypesafe/jev-1.13を含む）。

そのリストにないものに注目しよう。共通のベンチマークだ。両方のモデルがスコアを付けられたものは一つもない。なぜなら、両方が受け入れられるタスクが存在しないからだ。両者を横並びにした表は、比較をでっち上げていることになる。

系譜が本物である場所と、それが途切れる場所

知的負債は推測されるものではなく明示的である。VideoJevの導入部は、その貢献を、System Oneの前提——モデルがトークンを生成する代わりに構造化された判断を出力できるという前提——を取り上げ、判断対象がタイムラインを持つようになると何が変わるかを問うこととして位置づけている。「モデルは書かずにどのように決定するのか？」という問いに対するJevの答えは、宣言された選択肢集合に対するスコアリングヘッドである。VideoJevの答えは、ラベルだけでなくタイムスタンプにも向けられた同じスコアリングヘッドである。

その拡張は見た目だけのものではなく、論文はその理由について異例なほど具体的に述べている。基盤となるコンテキストが動画の場合、コストがかかるのは視覚エンコーディングであり、同じ映像について6つの質問をするエージェントがそのコストを6回支払うべきではない。VideoJevの2つの推論モードはどちらもその問題を解決するために存在しており、数値はそれらが何をもたらすかを示している：1本の動画に対する10件のグラウンディングクエリでは、VideoJevが0.39秒、Instructベースラインが5.98秒；QA側では、10件のクエリが1.67秒。Jevには相当するものがない。テキスト状態は再送するのが安価だからだ — Jevが解決する問題は呼び出しごとの意思決定レイテンシであり、VideoJevが解決する問題は意思決定レイテンシ、すなわち初回以降の呼び出しごとのものである。

停止点はモダリティだ。TypeSafe自身のドキュメントは、System Oneの入力はテキスト——「文字列、JSONオブジェクト、テキストの配列」——であり、画像、音声、動画はサポートされていないと明言している。したがって、この2つのモデルはどのタスクにおいても代替品ではない。あなたの状態がドキュメント、チャットログ、フォーム送信であれば、VideoJevはそれを扱えない。あなたの問いが「この映像のどこで緑の服の女性がパスタを食べるか」であれば、Jev 1.13もそれを扱えない。

数字、そしてそれを生み出したのは誰か

VideoJevの主要な数値は著者自身の評価ハーネスによるもので、独立に再現されたものではない。VideoJev-4Bは3つの時間的グラウンディングベンチマークで平均mIoU 65.3に達し、そのQwen3.5-4Bバックボーンを6.7ポイント上回る。VideoJev-35B-A3Bは67.7に達し、Qwen3.6-35B-A3Bを10.8ポイント上回る。4つの動画QAベンチマークでは、両者は平均74.3と79.5に位置し、それぞれThinkingモードのバックボーンより0.6ポイント低いところと0.7ポイント高いところにあり、速度は129倍と100倍である。論文では対照比較も行っている——まったく同じデータ、同じスケジュールで微調整した通常の自己回帰型Qwen3.5-4B——そしてVideoJevはグラウンディングmIoUで1.3ポイント、QAスコアで1.9ポイントそれを上回る。この対照実験は論文の中で最も強い証拠である。なぜなら、読み出し形状を学習データから切り離して評価できるからだ。

それに頼るつもりなら、2つの注意点が重要です。論文は平均キャリブレーション誤差を4Bで8.65ポイント、35B-A3Bで8.13ポイントと報告しています。つまり、スコアは順位付けのシグナルとしては優れていますが、確率としては不十分です。0.9は「リストの最上位」と捉えるべきで、「90%の確率」ではありません。また、プロジェクトページによると、35Bチェックポイントの主要構成はFP32なので、より大きなモデルのメモリ使用量は、パラメータ数から連想されるよりも重くなります。

Jev 1.13の数字もベンダーが公表したものだが、それは実際に呼び出せば確認できる類のものだ。入力トークン100万個あたり$0.042固定で、出力コストはゼロ、エンドツーエンドの応答時間は70～500 msである。TypeSafeも、どの主張が反証不可能で、どの主張がそうでないかについては率直で、「型エラーなし」は反例によって反証することはできないと指摘している。なぜなら、宣言された集合の外側にある値は、モデルが出力できる値ではないからだ。

両方が必要なら、調達の問題が2つあることになる

ここで、提供方法の違いは哲学的な話ではなくなる。VideoJevはリポジトリとして登場する。PyTorch 2.8、CUDA 12.8、FlashAttention 2、trust_remote_code=True、そして長尺動画設定ではH200を前提とするクイックスタートだ。vLLMやSGLangのサポートはまだないため、明日にでもスループットを出して提供できるものではない。あなたが引き受けるのは推論スタックであり、ベンダーとの関係ではない。

Jev 1.13はAPIキーとして登場します。そして、OrcaRouterが直接関わるのはここだけです。このモデルは当社のカタログに載っているため、構築中のワークフローの生成側と同じキーに乗ります — 200以上のモデルに対応する単一API、マークアップ0%（プロバイダーの定価をそのまま反映するため、TypeSafeの価格変更は当日ここでも有効になります）、プロバイダー間の自動フェイルオーバー、そして複数のモデルを1回の呼び出しに組み合わせたいときのルーティングDSLです。VideoJevはここではホストされておらず、この記事はそうでないふりをするつもりはありません。実行するにはApache-2.0の重みをダウンロードし、自前のサービスを立ち上げる必要があります。当社が皆さんの手間から取り除くのは、その周辺のすべてです — 結果を書き上げる要約器、ビデオ呼び出しを行う価値があるかどうかを判定する安価な分類器、プロバイダーが不安定になったときのフォールバック。

決定規則

正直にまとめると、この二つはライバル関係ではなく、家族的な類似関係にある。Jev 1.13を選ぶのは、判断対象がテキストで、答えが事前に宣言した集合のいずれかであり、インフラとキャリブレーション作業を誰か他の人に任せたいときだ。VideoJevを選ぶのは、証拠が動画で、答えがタイムスタンプか多肢選択の選択肢であり、再現されていない研究リリースを実行するだけのGPUと意欲があるときだ — ただし、まず自分の映像を厳しく見直すこと。論文にはそれ自体の失敗モード（小さな物体の計数で、どちらのサイズも本が4冊という答えを外す）が記録されており、あなたのものはまた違うだろうから。

状況を変えるのは、勝者ではなく第三のチェックポイントだろう。どちらのモデルも汎用の視覚エージェントにはほど遠い。Jevは見ることができず、VideoJevは学習した2種類の質問形式にしか答えられない。興味深いニュースになるのは、テキスト経路を備えたVideoJevのリリース、あるいはフレームを受け入れるJevのリリースだ。その時点で2つの路線は収束し、これは2つのパラダイムについての2本の記事ではなく、ひとつの争いについての1本の記事になる。

リリースはまた、これまでに何がうまくいかなかったかを確認する瞬間でもあります。このクラスのモデルをめぐる、記録に残るAIインシデントやエージェントの障害はOrcaRouter AI Incident Archiveにまとめられており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付いています。