VideoJev vs Jev 1.13: Mesma ideia, dois trabalhos diferentes

A comparação parece óbvia até você tentar escrevê-la. VideoJevé um lançamento de pesquisa com pesos abertos do laboratório MCG da NJU que pontua intervalos temporais e opções de resposta com base em evidências de vídeo, em dois checkpoints, VideoJev-4Be VideoJev-35B-A3B. Jev 1.13é o modelo de decisão fechado e hospedado da TypeSafe AI — o modelo que deu nome à categoria em que ambos se inserem. O próprio artigo do VideoJev cita o Jev como a origem do paradigma que ele estende, o que faz isso parecer um confronto direto. Na maior parte, não é. O Jev 1.13 recebe estado textual e retorna decisões tipadas. O VideoJev recebe vídeo e retorna intervalos pontuados ou uma opção escolhida. Eles se sobrepõem na ideia e quase em nenhum outro aspecto da entrada, então a pergunta útil não é "qual é melhor", mas sim "qual deles é sequer elegível para o trabalho que você tem."

Ambos chegaram em silêncio e recentemente, de maneiras diferentes. O Jev 1.13 foi lançado em 2026-09-15 — o primeiro modelo público da TypeSafe depois de dois anos em modo stealth — e está disponível para chamada por meio do próprio catálogo do OrcaRouter em typesafe/jev-1.13 desde 2026-09-24. O VideoJev não teve lançamento algum: o preprint no arXiv saiu em 2026-10-13, os dois checkpoints Apache-2.0 foram publicados no Hugging Face em 2026-10-10, e o repositório ainda recebia correções no README em 2026-10-14. Nenhum dos dois é uma história de lançamento hoje. O que torna este par digno de leitura é que ambos representam a mesma aposta arquitetural aplicada a dois tipos de dados diferentes, e a diferença na forma como cada um é entregue diz praticamente tudo o que você precisa para decidir.

Uma linha cada, porque os resumos divergem rapidamente.

Jev 1.13 é um endpoint hospedado. Você faz POST de um bloco de estado e de um conjunto de perguntas nomeadas para /v1/systemone e recebe de volta uma resposta tipada por pergunta — noul (um verdadeiro/falso com uma probabilidade calibrada), choice (um rótulo dentre até 255 opções) ou score (um nível em uma escala ordenada de 2 a 10). Nada é gerado, então não há tokens de saída e a TypeSafe não cobra nada; a entrada custa US$ 0,042 por milhão de tokens. Sua arquitetura, contagem de parâmetros e computação de treinamento não são divulgadas. Sua entrada é somente texto — strings, JSON, arrays — sem caminho para imagem, áudio ou vídeo. Você não o executa; cada chamada é contabilizada.

VideoJev é o arranjo oposto. É um checkpoint que você baixa e serve por conta própria, sob a licença Apache-2.0, construído por meio de ajuste fino de um LLM multimodal existente: VideoJev-4B sobre o Qwen3.5-4B, VideoJev-35B-A3B sobre o Qwen3.6-35B-A3B. Os autores removem o MLP final e a cabeça de saída do modelo de linguagem e os substituem por um pontuador de candidatos, de modo que o modelo nunca escreve uma resposta — ele pontua intervalos candidatos e respostas candidatas diretamente. Dois modos de inferência o organizam: Inferência em cache codifica o vídeo uma vez e ramifica cada nova consulta a partir desse prefixo, e Inferência conjunta coloca um grupo de perguntas atrás de um prefixo de vídeo e lê todas elas em uma única passagem direta.

As dimensões que realmente os separam

• Modalidade de entrada — vídeo, a 2 fps com quadros limitados a 640×640 para o VideoJev, versus apenas estado de texto para o Jev 1.13.

• O que é uma "decisão" — um intervalo temporal em segundos mais um índice de opção vs um rótulo tipado, nível ou probabilidade.

• Entrega — pesos Apache-2.0 auto-hospedados vs um endpoint hospedado com medição.

• Preço — suas próprias horas de GPU vs. US$ 0,042 por milhão de tokens de entrada, com a saída cobrada a zero.

• Custo de uma segunda consulta no mesmo contexto — todo o problema de design do VideoJev, resolvido pela reutilização de prefixo; o Jev reenvia o estado a cada chamada, já que não tem um prefixo do tamanho de um vídeo para amortizar.

• Detalhe publicado — um preprint de nove páginas com tabelas por benchmark e ablações vs. nenhuma divulgação de arquitetura, parâmetros ou treinamento.

• Onde você pode executá-lo — em qualquer lugar onde você tenha uma GPU adequada, em comparação com o endpoint da TypeSafe e os gateways que o transportam, incluindo typesafe/jev-1.13 no OrcaRouter.

Observe o que é que não está nessa lista: um benchmark compartilhado. Não há nada em que ambos os modelos tenham sido avaliados, porque não há tarefa que ambos possam aceitar. Qualquer tabela que os coloque lado a lado estaria inventando uma comparação.

Onde a linhagem é real, e onde ela termina

A dívida intelectual é explícita, e não inferida. A introdução do VideoJev enquadra sua contribuição como partir da premissa do System One — a de que um modelo pode emitir um julgamento estruturado em vez de gerar tokens — e perguntar o que muda quando aquilo que está sendo julgado tem uma linha do tempo. A resposta de Jev a "como um modelo decide sem escrever?" é uma scoring head sobre um conjunto de opções declarado. A resposta do VideoJev é a mesma scoring head apontada tanto para carimbos de data e hora quanto para rótulos.

Essa extensão não é cosmética, e o artigo é incomumente específico sobre o porquê. Quando o contexto subjacente é um vídeo, a parte cara é a codificação visual, e um agente que faz seis perguntas sobre a mesma filmagem não deveria pagar por isso seis vezes. Os dois modos de inferência do VideoJev existem para resolver isso, e os números mostram o que eles entregam: em dez consultas de grounding sobre um vídeo, 0,39 s para o VideoJev contra 5,98 s para uma baseline Instruct; no lado de QA, dez consultas em 1,67 s. O Jev não tem equivalente porque um estado de texto é barato de reenviar — o problema que o Jev resolve é a latência de decisão por chamada, e o problema que o VideoJev resolve é a latência de decisão por chamada após a primeira.

O ponto de parada é a modalidade. A própria documentação da TypeSafe deixa claro que a entrada do System One é texto — "strings, objetos JSON e arrays de texto" — e que imagens, áudio e vídeo não são suportados. Portanto, os dois modelos não são substitutos em nenhuma tarefa. Se o seu estado for um documento, um log de chat ou o envio de um formulário, o VideoJev não consegue aceitar isso. Se a sua pergunta for "em que momento desta filmagem a mulher de verde come massa", o Jev 1.13 também não consegue aceitar isso.

Os números, e quem os produziu

Os números de destaque do VideoJev vêm do harness dos próprios autores e não foram reproduzidos de forma independente. O VideoJev-4B alcança 65,3 de mIoU média em três benchmarks de grounding temporal, 6,7 pontos acima de seu backbone Qwen3.5-4B; o VideoJev-35B-A3B alcança 67,7, 10,8 pontos acima do Qwen3.6-35B-A3B. Em quatro benchmarks de QA em vídeo, os dois ficam em 74,3 e 79,5 de média, a 0,6 ponto abaixo e 0,7 ponto acima de seus backbones no modo Thinking, a 129× e 100× a velocidade. O artigo também realiza uma comparação controlada — um Qwen3.5-4B autorregressivo comum, ajustado com exatamente os mesmos dados e o mesmo cronograma — e o VideoJev supera-o em 1,3 ponto de mIoU de grounding e 1,9 ponto de pontuação de QA. Esse controle é a evidência mais forte do artigo, porque isola o formato de leitura dos dados de treinamento.

Duas ressalvas são importantes se você pretende depender dele. O artigo relata erro médio de calibração de 8,65 pontos em 4B e 8,13 em 35B-A3B, o que significa que as pontuações são um bom sinal de ranking e uma probabilidade ruim — trate um 0,9 como "topo da lista", não como "90% de probabilidade". E a configuração principal do checkpoint de 35B é FP32, segundo a página do projeto, então o consumo de memória do modelo maior é mais pesado do que a contagem de parâmetros sugere.

Os números do Jev 1.13 também são publicados pelo fornecedor, mas são do tipo que pode ser verificado fazendo uma chamada a ele: um custo fixo de US$ 0,042 por milhão de tokens de entrada, custo de saída zero e tempos de resposta ponta a ponta de 70–500 ms. TypeSafe também é franco sobre quais afirmações são infalsificáveis e quais não são, observando que "nenhum erro de tipo" não pode ser refutado com um contraexemplo, porque um valor fora do conjunto declarado não é um valor que o modelo pode emitir.

Se você precisa dos dois, você tem dois problemas de aquisição.

É aqui que a diferença na entrega deixa de ser filosófica. O VideoJev chega como um repositório: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True, e um guia de início rápido que assume uma H200 para as configurações de vídeos longos. Ainda não há suporte a vLLM ou SGLang, então não é algo que você coloca em produção com throughput amanhã. Você está assumindo uma stack de inferência, não uma relação com fornecedor.

O Jev 1.13 chega como uma chave de API, e este é o único ponto em que o OrcaRouter é diretamente relevante: o modelo está no nosso catálogo, por isso fica na mesma chave que a metade generativa de qualquer fluxo de trabalho que esteja a construir — uma API para mais de 200 modelos, 0% de margem (preço de tabela do fornecedor repassado, por isso uma alteração de preço da TypeSafe fica ativa aqui no mesmo dia), failover automático entre fornecedores, e uma DSL de encaminhamento se quiser compor vários modelos numa só chamada. O VideoJev não está alojado aqui e este artigo não vai fingir o contrário. Executá-lo implica descarregar os pesos Apache-2.0 e montar o seu próprio serviço; o que lhe tiramos das mãos é tudo o resto à volta disso — o sumarizador que redige o resultado, o classificador mais barato que decide se vale a pena sequer fazer a chamada de vídeo, o fallback quando um fornecedor falha.

A regra de decisão

O resumo honesto é que esses dois são uma semelhança de família, não uma rivalidade. Escolha Jev 1.13 quando o julgamento for sobre texto, a resposta for uma de um conjunto que você declara de antemão, e você quiser que outra pessoa opere a infraestrutura e faça o trabalho de calibração. Escolha VideoJev quando a evidência for um vídeo, a resposta for um carimbo de data/hora ou uma opção de múltipla escolha, e você tiver as GPUs e o apetite para executar uma versão de pesquisa não replicada — com um olhar crítico para suas próprias filmagens primeiro, já que o artigo documenta seu próprio modo de falha (contagem de objetos pequenos, em que ambos os tamanhos deixam passar uma resposta de quatro livros) e o seu será diferente.

O que mudaria o cenário seria um terceiro checkpoint, e não um vencedor. Nenhum dos modelos está perto de um agente visual geral: o Jev não consegue ver, e o VideoJev só consegue responder aos dois formatos de pergunta com que foi treinado. A notícia interessante seria um lançamento do VideoJev com um caminho de texto, ou um lançamento do Jev que aceitasse quadros — nesse ponto, as duas linhas convergem e isto deixa de ser dois artigos sobre dois paradigmas para se tornar um artigo sobre uma luta.

Um lançamento também é o momento de verificar o que deu errado antes: os incidentes documentados de IA e as falhas de agentes envolvendo modelos dessa classe estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, severidade, grau de confiança e indicador de contestação.