VideoJev vs Jev 1.13: Ten sam pomysł, dwa różne zadania

Porównanie wygląda na oczywiste, dopóki nie spróbujesz go napisać. VideoJev to wydanie badawcze z otwartymi wagami z laboratorium MCG na NJU, które ocenia przedziały czasowe i opcje odpowiedzi względem dowodów wideo, w dwóch checkpointach, VideoJev-4B i VideoJev-35B-A3B. Jev 1.13 to zamknięty, hostowany model decyzyjny TypeSafe AI — model, który nazwał kategorię, w której oba się znajdują. Własny artykuł VideoJev cytuje Jev jako źródło paradygmatu, który rozszerza, co sprawia, że wygląda to na bezpośrednie starcie. Przeważnie nim nie jest. Jev 1.13 przyjmuje stan tekstowy i zwraca typowane decyzje. VideoJev przyjmuje wideo i zwraca ocenione przedziały lub wybraną opcję. Pokrywają się co do idei, a niemal wcale co do danych wejściowych, więc użyteczne pytanie nie brzmi „który jest lepszy”, lecz „który w ogóle kwalifikuje się do zadania, które masz”.

Oba pojawiły się cicho i niedawno, na różne sposoby. Jev 1.13 zadebiutował 2026-09-15 — pierwszy publiczny model TypeSafe po dwóch latach w ukryciu — i od 2026-09-24 jest dostępny przez własny katalog OrcaRouter pod adresem typesafe/jev-1.13. VideoJev nie ma żadnej premiery: preprint arXiv pojawił się 2026-10-13, dwa checkpointy Apache-2.0 trafiły na Hugging Face 2026-10-10, a 2026-10-14 repozytorium wciąż otrzymywało poprawki w README. Żadne z nich nie jest dziś historią o premierze. To, co czyni tę parę wartą uwagi, to fakt, że to ten sam zakład architektoniczny zastosowany do dwóch różnych typów danych, a różnica w sposobie dostarczania każdego z nich mówi ci większość tego, co musisz wiedzieć, aby podjąć decyzję.

Każda w jednej linii, bo streszczenia szybko się rozbiegają.

Jev 1.13 to hostowany endpoint. Wysyłasz blok stanu i zestaw nazwanych pytań metodą POST do /v1/systemone i otrzymujesz z powrotem jedną typowaną odpowiedź na pytanie — noul (prawda/fałsz ze skalibrowanym prawdopodobieństwem), choice (jedna etykieta z maksymalnie 255 opcji) lub score (poziom w uporządkowanej skali od 2 do 10). Nic nie jest generowane, więc nie ma tokenów wyjściowych i TypeSafe nie nalicza żadnych opłat; wejście kosztuje 0,042 USD za milion tokenów. Jej architektura, liczba parametrów i moc obliczeniowa użyta do treningu nie są ujawnione. Jej dane wejściowe to wyłącznie tekst — ciągi znaków, JSON, tablice — bez ścieżki obrazu, dźwięku ani wideo. Nie uruchamiasz jej; każde wywołanie jest rozliczane.

VideoJev to odwrotny układ. To punkt kontrolny, który pobierasz i hostujesz samodzielnie, na licencji Apache-2.0, zbudowany przez dostrojenie istniejącego multimodalnego LLM: VideoJev-4B na Qwen3.5-4B, VideoJev-35B-A3B na Qwen3.6-35B-A3B. Autorzy usuwają końcowy MLP i głowicę wyjściową modelu językowego oraz zastępują je modułem oceniającym kandydatów, więc model nigdy nie zapisuje odpowiedzi — ocenia bezpośrednio przedziały kandydatów i odpowiedzi kandydatów. Organizują go dwa tryby wnioskowania: Wnioskowanie z pamięcią podręczną koduje wideo jednokrotnie i odgałęzia każde nowe zapytanie od tego prefiksu, a Wnioskowanie łączne umieszcza grupę pytań za jednym prefiksem wideo i odczytuje je wszystkie w pojedynczym przebiegu w przód.

Wymiary, które tak naprawdę je oddzielają

• Modalność wejściowa — wideo, przy 2 fps z klatkami ograniczonymi do 640×640 w przypadku VideoJev, w porównaniu z samym stanem tekstowym w przypadku Jev 1.13.

• Czym jest „decyzja" — przedział czasowy w sekundach plus indeks opcji w porównaniu z typowaną etykietą, poziomem lub prawdopodobieństwem.

• Dostarczanie — samodzielnie hostowane wagi Apache-2.0 vs rozliczany hostowany punkt końcowy.

• Cena — własne godziny pracy GPU kontra 0,042 USD za milion tokenów wejściowych, a tokeny wyjściowe rozliczane za zero.

• Koszt drugiego zapytania w tym samym kontekście — cały problem projektowy VideoJev, rozwiązany przez ponowne wykorzystanie prefiksu; Jev ponownie wysyła stan przy każdym wywołaniu, ponieważ nie ma prefiksu wielkości wideo, który można zamortyzować.

• Opublikowane szczegóły — dziewięciostronicowy preprint z tabelami wyników dla poszczególnych benchmarków oraz ablacjami w porównaniu z brakiem ujawnienia architektury, parametrów lub szczegółów trenowania.

• Gdzie możesz to uruchomić — wszędzie, gdzie masz odpowiedni GPU, w przeciwieństwie do endpointu TypeSafe i bram, które go obsługują, w tym typesafe/jev-1.13 na OrcaRouter.

Zauważ, czego niema na tej liście: wspólnego benchmarku. Nie ma nic, na czym oceniono by oba modele, bo nie istnieje zadanie, które oba mogłyby przyjąć. Każda tabela stawiająca je obok siebie wymyślałaby porównanie.

Gdzie rodowód jest prawdziwy, a gdzie się kończy

Dług intelektualny jest wyrażony wprost, a nie domniemany. Wprowadzenie VideoJev ujmuje swój wkład jako przyjęcie założenia System One — że model może wydać ustrukturyzowany osąd zamiast generować tokeny — i postawienie pytania, co się zmienia, gdy to, co podlega ocenie, ma os czasu. Odpowiedzią Jev’a na pytanie „jak model decyduje bez pisania?” jest głowa punktująca działająca na zadeklarowanym zestawie opcji. Odpowiedzią VideoJev jest ta sama głowa punktująca, skierowana zarówno na znaczniki czasu, jak i na etykiety.

To rozszerzenie nie jest kosmetyczne, a publikacja niezwykle precyzyjnie wyjaśnia, dlaczego. Gdy bazowym kontekstem jest wideo, kosztowną częścią jest kodowanie wizualne, a agent, który zadaje sześć pytań o ten sam materiał wideo, nie powinien płacić za to sześciokrotnie. Oba tryby wnioskowania VideoJev istnieją po to, by temu zaradzić, a liczby pokazują, co dają: przy dziesięciu zapytaniach ugruntowujących na jednym wideo 0,39 s dla VideoJev wobec 5,98 s dla bazowego modelu Instruct; po stronie QA dziesięć zapytań w 1,67 s. Jev nie ma odpowiednika, bo ponowne przesłanie stanu tekstowego jest tanie — problemem, który rozwiązuje Jev, jest opóźnienie decyzji na wywołanie, a problemem, który rozwiązuje VideoJev, jest opóźnienie decyzji na wywołanie po pierwszym.

Granicą jest modalność. Własna dokumentacja TypeSafe jasno stwierdza, że dane wejściowe System One to tekst — „ciągi znaków, obiekty JSON i tablice tekstu” — oraz że obrazy, audio i wideo nie są obsługiwane. Zatem te dwa modele nie są dla siebie zamiennikami w żadnym zadaniu. Jeśli twoim stanem jest dokument, log czatu lub przesłany formularz, VideoJev nie może go przyjąć. Jeśli twoje pytanie brzmi: „kiedy na tym nagraniu kobieta w zieleni je makaron”, Jev 1.13 też nie może go przyjąć.

Liczby i to, kto je wygenerował

Kluczowe wyniki VideoJev pochodzą z własnego środowiska testowego autorów i nie zostały niezależnie odtworzone. 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. W czterech benchmarkach video-QA oba modele plasują się na średnim poziomie 74,3 i 79,5 — odpowiednio 0,6 punktu poniżej i 0,7 punktu powyżej swoich backbone'ów w trybie Thinking — przy 129× i 100× większej szybkości. W artykule przeprowadzono także kontrolowane porównanie — zwykły autoregresyjny Qwen3.5-4B dostrojony na dokładnie tych samych danych, według tego samego harmonogramu — i VideoJev przewyższa go o 1,3 punktu mIoU ugruntowania oraz 1,9 punktu wyniku QA. Ta kontrola jest najsilniejszym dowodem w artykule, ponieważ izoluje kształt odczytu od danych treningowych.

Dwa zastrzeżenia mają znaczenie, jeśli planujesz na tym polegać. W artykule podano średni błąd kalibracji wynoszący 8,65 punktu przy 4B i 8,13 przy 35B-A3B, co oznacza, że wyniki są dobrym sygnałem rankingowym, a słabym prawdopodobieństwem — traktuj 0,9 jako „szczyt listy”, a nie „90% prawdopodobieństwa”. A główna konfiguracja checkpointu 35B to FP32, zgodnie ze stroną projektu, więc ślad pamięciowy większego modelu jest większy, niż sugeruje liczba parametrów.

Dane Jev 1.13 również są publikowane przez dostawcę, ale należą do tych, które można sprawdzić, wywołując go: stała opłata $0.042 za milion tokenów wejściowych, zerowy koszt tokenów wyjściowych oraz czasy odpowiedzi end-to-end wynoszące 70–500 ms. TypeSafe również otwarcie mówi, które twierdzenia są niefalsyfikowalne, a które nie, zauważając, że „brak błędów typu” nie da się obalić kontrprzykładem, ponieważ wartość spoza zadeklarowanego zbioru nie jest wartością, którą model może wygenerować.

Jeśli potrzebujesz obu, masz dwa problemy z zaopatrzeniem.

Tu różnica w sposobie dostarczania przestaje być filozoficzna. VideoJev pojawia się jako repo: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True i quickstart, który zakłada H200 w ustawieniach długich wideo. Nie ma jeszcze wsparcia dla vLLM ani SGLang, więc nie jest to coś, co udostępnisz z docelową przepustowością już jutro. Bierzesz na siebie stos inferencji, a nie relację z dostawcą.

Jev 1.13 pojawia się jako klucz API i to jest jedyne miejsce, w którym OrcaRouter jest bezpośrednio istotny: model znajduje się w naszym katalogu, więc siedzi na tym samym kluczu co generatywna połowa dowolnego workflow, który budujesz — jedno API dla ponad 200 modeli, 0% marży (cena katalogowa dostawcy przekazywana dalej, więc zmiana ceny TypeSafe jest tu widoczna tego samego dnia), automatyczne przełączanie awaryjne między dostawcami, oraz DSL routingu, jeśli chcesz złożyć kilka modeli w jedno wywołanie. VideoJev nie jest tu hostowany i ten artykuł nie będzie udawał inaczej. Uruchomienie go oznacza pobranie wag Apache-2.0 i postawienie własnej usługi; zdejmujemy z twoich barków wszystko wokół niego — sumaryzator, który spisuje wynik, tańszy klasyfikator, który rozstrzyga, czy wywołanie wideo w ogóle warto wykonać, oraz mechanizm awaryjny, gdy dostawca się zachwieje.

Reguła decyzyjna

Uczciwe podsumowanie jest takie, że te dwa modele łączy rodzinne podobieństwo, a nie rywalizacja. Wybierz Jev 1.13, gdy ocena dotyczy tekstu, odpowiedź jest jedną z wartości zestawu, który deklarujesz z góry, i chcesz, aby ktoś inny zajmował się infrastrukturą oraz pracami kalibracyjnymi. Wybierz VideoJev, gdy materiałem dowodowym jest wideo, odpowiedzią jest znacznik czasu lub wybór jednej z kilku opcji, a ty masz GPU i apetyt na uruchomienie niezreplikowanego wydania badawczego — najpierw jednak krytycznie przyjrzyj się własnym nagraniom, bo artykuł dokumentuje własny tryb awarii (zliczanie małych obiektów, gdzie oba rozmiary nie trafiają w odpowiedź „cztery książki”), a twój będzie inny.

To, co zmieniłoby obraz sytuacji, to trzeci punkt kontrolny, a nie zwycięzca. Żaden z modeli nie jest blisko ogólnego agenta wizualnego: Jev nie widzi, a VideoJev potrafi odpowiadać tylko na dwa rodzaje pytań, na których został wytrenowany. Ciekawą wiadomością byłoby wydanie VideoJev ze ścieżką tekstową albo wydanie Jev, które przyjmuje klatki — wtedy obie linie się zbiegają i przestaje to być dwoma artykułami o dwóch paradygmatach, a staje się jednym artykułem o walce.

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.