VideoJev: model wideo, który zamiast zdania odpowiada liczbą

VideoJev to rodzina modeli rozumienia wideo, które nigdy nie piszą odpowiedzi. Zapytaj ją o znacznik czasu zdarzenia, a zwróci przedział złożony z ocenionych kandydackich slotów; zadaj jej pytanie wielokrotnego wyboru dotyczące wideo, a zwróci opcję z najwyższym wynikiem. Są dwa udostępnione checkpointy — VideoJev-4B na Qwen3.5-4B i VideoJev-35B-A3B na Qwen3.6-35B-A3B — i nie miały premiery. Nikt nie wydał komunikatu prasowego. Artykuł pojawił się na arXiv 13 października 2026, wagi trafiły na Hugging Face 10 października 2026, a repozytorium było jeszcze porządkowane cztery dni później: na dzień 14 października dostawało commity takie jak „Przywróć wbudowane wideo README z publicznym załącznikiem” i „Dodaj link do artykułu arXiv i oficjalną cytację BibTeX”. Tak wygląda ciche wydanie — artefakty są prawdziwe i można je sprawdzić, a nie ma żadnego ogłoszenia, które powiedziałoby ci, co zdaniem autorów ma znaczenie.

Wszystko poniżej pochodzi z jednego z trzech miejsc: z preprintu arXiv (2610.18615, cs.CV, przesłanego 13 października 2026), z kart modeli i kodu, które opublikowali autorzy, a także z własnych przypisów artykułu o tym, jak zmierzono te liczby. Starałem się wyraźnie rozdzielić te trzy źródła, ponieważ najciekawsze w tym wydaniu nie jest liczba z nagłówka — tylko to, jak cienki jest grunt pod nią.

Co tak naprawdę twierdzi artykuł

VideoJev bierze wstępnie wytrenowany multimodalny LLM, usuwa końcowy MLP oraz głowicę wyjściową modelu językowego i umieszcza w ich miejscu skorer kandydatów. Dwa nowe tokeny, <|option_end|> i <|decide|>, generują odczyty. Stan decyzyjny i stan każdego kandydata są rzutowane do 512 wymiarów, normalizowane i mnożone skalarnie; przedziały czasowe są oceniane za pomocą sigmoidy i składane w span, opcje odpowiedzi są oceniane i normalizowane za pomocą softmaxu. Oba zadania przechodzą przez tę samą głowicę. Nic nie jest dekodowane autoregresyjnie, ponieważ nie ma nic do zdekodowania.

Trzy kluczowe liczby z artykułu, wszystkie raportowane przez dostawcę i wszystkie pochodzące z własnego środowiska ewaluacyjnego autorów:

• Jakość ugruntowania — VideoJev-4B osiąga średnio 65,3 mIoU w trzech benchmarkach ugruntowania czasowego, o 6,7 punktu więcej niż jego backbone Qwen3.5-4B. VideoJev-35B-A3B osiąga 67,7, o 10,8 punktu więcej niż Qwen3.6-35B-A3B.

• Parytet QA bez rozumowania — na czterech benchmarkach video-QA oba modele osiągają średnio 74,3 i 79,5, czyli odpowiednio 0,6 punktu poniżej i 0,7 punktu powyżej swoich modeli bazowych w trybie Thinking.

• Opóźnienie — 2,8–3,1× szybciej niż te backbone'y w groundingu i ponad 100× w QA. Zmierzona wartość dla QA to 129× przy 4B i 100× przy 35B-A3B.

Uczciwe ujęcie twierdzenia o szybkości polega na tym, że jest to porównanie z modelem rozumującym, który wykonuje coś znacznie trudniejszego, niż wymaga tego zadanie. Qwen3.5-4B w trybie Thinking zużywa 144,9 sekundy na pytanie w LVBench, osiągając wynik 74,9; VideoJev-4B poświęca 1,123 sekundy, aby uzyskać wynik 74,3. 129× to prawdziwa arytmetyka na własnej tabeli opóźnień z artykułu, a także arytmetyka, którą otrzymałbyś od dowolnego modelu, który odmawia myślenia. Ciekawe pytanie nie brzmi, czy przyspieszenie jest prawdziwe — lecz czy można zbudować system, w którym ten kompromis jest właściwy.

Argument pod tym: decyzje, nie generacje

To, co czyni to ciekawszym niż tabela z benchmarkami, to twierdzenie architektoniczne. Autorzy dostroili zwykły autoregresyjny model Qwen3.5-4B na dokładnie tych samych danych po treningu, w tym samym pojedynczym etapie, z tymi samymi ustawieniami, i kazali mu generować przedziały lub odpowiadać literami. Tabela 3 w artykule mówi, że VideoJev-4B przewyższa ten model kontrolny o 1,3 punktu średniego grounding mIoU i 1,9 punktu średniego wyniku QA. Oba modele miały identyczny nadzór; różnił się tylko kształt odczytu.

Jeśli to się utrzyma, zysk nie polega na danych ani na skali — polega na tym, że poproszenie modelu o wygenerowanie rozkładu prawdopodobieństwa po uporządkowanych kandydatach lepiej pasuje do ustrukturyzowanej decyzji niż proszenie go o wytworzenie ciągu znaków, a następnie parsowanie tego ciągu z powrotem na decyzję. To ten sam zakład, który TypeSafe postawił z Jev 1.13 i jego rodziną System One, uogólniony ze stanów tekstowych na wideo. Artykuł wyraźnie mówi, że opiera się na tym nurcie prac, a nie wymyśla tej kategorii.

Dwa szczegóły implementacyjne są warte więcej niż nagłówkowe liczby, bo to one czynią go użytecznym, a nie tylko szybkim. Wnioskowanie z pamięcią podręczną koduje i wstępnie wypełnia wideo raz, a napływające zapytania odgałęziają się od tego zapisanego prefiksu — jeden przebieg w przód na zapytanie. Wnioskowanie łączne umieszcza kilka zapytań za jednym prefiksem wideo i odczytuje osobny <|decide|> dla każdego, więc grupa pytań kosztuje łącznie jeden przebieg w przód. Na dziesięciu zapytaniach ugruntowujących wobec jednego wideo artykuł mierzy 0,39 s dla VideoJev versus 5,98 s dla bazowego Instruct; po stronie QA dziesięć zapytań zajmuje 1,67 s. Artykuł sprawdza też oczywisty tryb awarii wnioskowania łącznego — że wcześniejsze pytanie przecieka swoją odpowiedź do późniejszego — i podaje, że zweryfikował, iż żadne odpowiedzi referencyjne ani przewidywane nie są wstawiane do współdzielonego prefiksu. Warto zauważyć, że to weryfikacja samych autorów oraz że wnioskowanie łączne wypada lepiej niż izolowany tryb z pamięcią podręczną (65,3 vs 64,5 mIoU przy 4B), co przypisują treningowi na tym samym układzie łącznym.

Czego karta ci nie mówi

Czterech rzeczy w sposób rzucający się w oczy brakuje, a mają one większe znaczenie niż wszystko powyżej, jeśli decydujesz, czy jest to gotowe do wdrożenia produkcyjnego.

• Dane treningowe nie zostały ujawnione. Repozytorium dokumentuje format i udostępnia narzędzia do zbudowania własnego pliku JSONL, ale korpus, jego rozmiar i pochodzenie nie zostały podane. Nie można ocenić kontaminacji względem siedmiu benchmarków, dla których podaje wyniki.

• Wagi 35B zaczynają się od FP32. Strona projektu podaje FP32 dla wnioskowania Cached i BF16 dla Joint — więc flagowa konfiguracja większego modelu to ta o większym zapotrzebowaniu na pamięć, a strona nie podaje wartości VRAM dla żadnej z nich.

• Pewność jest przeszacowana. W artykule podano średni błąd kalibracji wynoszący 8,65 punktu dla modelu 4B i 8,13 dla 35B-A3B. Wynik ten jest użytecznym sygnałem rankingowym, a nie prawdopodobieństwem, na którego podstawie należy podejmować decyzje bez samodzielnie dostrojonego progu.

• Nikt nie zweryfikował tych liczb niezależnie. Każda liczba tutaj pochodzi od grupy, która wytrenowała modele. W momencie pisania tego tekstu nie ma replikacji przez strony trzecie, wpisu w tabeli wyników ani wdrożonego wsparcia w frameworkach — ścieżka inferencji to trust_remote_code=True w przypadku niestandardowej architektury, wymagająca co najmniej PyTorch 2.8/CUDA 12.8 i FlashAttention 2.

Ten ostatni punkt odnosi się także do mniejszego modelu i przeczy oczywistemu założeniu. VideoJev-4B to ten, którego spodziewałbyś się uruchomić na skromnym sprzęcie, a sam quickstart karty zakłada H200 przy 2 fps z maksymalnie 2048 klatkami. Jest tańsze demo — dziesięciosekundowy klip, dziesięć przedziałów kandydackich, wypisane prawdopodobieństwa — ale wyniki dla długich wideo w artykule wykorzystują stały kontekst 262 144 tokenów, a klatki są ograniczone do 640×640. Model 4B jest mały pod względem parametrów, ale niekoniecznie pod względem kosztu serwowania.

Próbując tego bez stawiania na to

Ponieważ tym, co faktycznie istnieje, są checkpointy, sposobem wejścia o niskim ryzyku jest uruchomienie VideoJev lokalnie na własnym materiale wideo, zanim cokolwiek na nim zbudujesz — ścieżka demo to pobranie i kilkanaście linijek kodu, a przypadki niepowodzeń, które sam artykuł dokumentuje (zliczanie małych obiektów w Video-MME, gdzie oba rozmiary nie trafiają w odpowiedź o czterech książkach), to dokładnie te, na które chcesz natrafić na swoich danych, a nie na Charades. VideoJev-4B i VideoJev-35B-A3B są na licencji Apache-2.0, więc nic nie stoi na przeszkodzie.

Miejsce OrcaRouter w tym układzie to druga połowa przepływu pracy. Interfejs decyzyjny wideo to rzadkość sam w sobie; powszechny jest natomiast potok, który potrzebuje jeszcze modelu generatywnego do napisania podsumowania, taniego klasyfikatora do kontrolowania kosztownego wywołania i czegoś, co będzie trasować między nimi. OrcaRouter umieszcza ponad 200 modeli za jednym API z 0% marży — cena katalogowa dostawcy jest przekazywana dalej, więc obniżka ceny przez dostawcę obowiązuje tu tego samego dnia — z automatycznym przełączaniem awaryjnym między dostawcami, DSL routingu do łączenia kilku modeli w jedno wywołanie oraz fuzją modeli dla paneli. Żaden z checkpointów VideoJev nie jest tu hostowany, a ten artykuł nie zamierza udawać inaczej; dwa miejsca, w których zasługuje na swoją pozycję, to drugie ogniwo potoku, którego pierwszym ogniwem jest model lokalny, oraz powód, dla którego model badawczy taki jak ten można wypróbować bez drugiej umowy z dostawcą na wszystko wokół niego.

Co uczyniłoby z tego większą historię?

Bramka w tym tekście jest wyjątkowo czysta, więc warto powiedzieć wprost: VideoJev to wydanie badawcze, a nie premiera produktu. Nie ma changelogu, strony z cennikiem, hostowanego endpointu, listy oczekujących ani wpisu na blogu dostawcy. Istnieje natomiast preprint zgłoszony 13 października 2026 r., dwa checkpointy na licencji Apache-2.0 przesłane 10 października oraz repozytorium, które wciąż było edytowane 14 października — dzień przed publikacją tego artykułu. Brak ogłoszenia nie jest dowodem na problem, ale oznacza, że sposób przedstawienia musi opierać się na tym, „co mówią artefakty”, a nie na tym, „co twierdzi dostawca”.

Trzy wydarzenia zmieniłyby ten obraz. Ocena przeprowadzona przez podmiot trzeci, która odtworzyłaby wzrosty mIoU o +6,7 i +10,8 względem tych samych backbone'ów przy tym samym protokole. Implementacja w vLLM lub SGLang, która przeniosłaby to z kategorii ciekawostki wymagającej trust_remote_code do czegoś, co da się serwować z realną przepustowością. Albo udostępniony przez kogoś endpoint hostowany, który uczyniłby twierdzenie o 100× liczbą, którą można zmierzyć na własnym wideo, a nie taką, którą bierze się z tabeli na szóstej stronie. Dopóki któreś z nich się nie pojawi, użyteczne stanowisko jest takie, jakie zajmuje sama praca: interfejs bezpośredniego oceniania to naprawdę inny sposób budowania agenta wideo, a dowody na to są obecnie dziewięciostronicowym preprintem jednej grupy.

Zostaw otwarty notebook demonstracyjny, uruchom go na najmniej korzystnym materiale wideo, jaki masz, i traktuj wyniki pewności jako ranking, dopóki sam ich nie skalibrujesz.

Premiera to również moment, by sprawdzić, co poszło nie tak wcześniej: udokumentowane incydenty AI i awarie agentów związane z modelami tej klasy są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporne.