VideoJev: видеомодель, которая отвечает числом, а не предложением

VideoJev — это семейство моделей для понимания видео, которые никогда не пишут ответ. Спросите у неё метку времени события — и она вернёт интервал, собранный из оценённых кандидатных слотов; задайте ей вопрос с вариантами ответов о видео — и она вернёт вариант с наивысшей оценкой. Выпущено два чекпоинта — VideoJev-4B на Qwen3.5-4B и VideoJev-35B-A3B на Qwen3.6-35B-A3B — и их не запускали. Никто не выпускал пресс-релиз. Статья появилась на arXiv 13 октября 2026 года, веса были выложены на Hugging Face 10 октября 2026 года, а репозиторий всё ещё приводили в порядок четыре дня спустя: по состоянию на 14 октября в него поступали коммиты вроде «Restore inline README video with a public attachment» и «Add arXiv paper link and official BibTeX citation». Вот как выглядит тихий релиз — артефакты реальны и поддаются проверке, и нет никакого анонса, который сказал бы вам, что авторы считают важным.

Всё нижеследующее взято из одного из трёх источников: препринта arXiv (2610.18615, cs.CV, подан 13 октября 2026 года), карточек моделей и кода, опубликованных авторами, и собственных сносок статьи о том, как измерялись эти числа. Я постарался чётко разделить эти три источника, потому что самое интересное в этом релизе — не число в заголовке, а то, насколько зыбка почва под ним.

Что на самом деле утверждает статья

VideoJev берёт предобученную мультимодальную LLM, удаляет финальный MLP и выходную голову языковой модели и ставит на их место модуль оценки кандидатов. Два новых токена, <|option_end|> и <|decide|>, выдают выходные данные. Состояние решения и состояние каждого кандидата проецируются в 512 измерений, нормализуются и скалярно перемножаются; временные интервалы оцениваются с помощью сигмоиды и собираются в спан, варианты ответа оцениваются и нормализуются с помощью softmax. Обе задачи проходят через одну и ту же голову. Ничего не декодируется авторегрессионно, потому что декодировать нечего.

Три главных показателя статьи — все заявлены производителями и все получены с помощью собственного оценочного стенда авторов:

• Качество локализации — VideoJev-4B достигает 65.3 среднего mIoU на трёх бенчмарках временной локализации, что на 6.7 пункта выше его базовой модели Qwen3.5-4B. VideoJev-35B-A3B достигает 67.7 — на 10.8 пункта выше Qwen3.6-35B-A3B.

• Паритет по QA без рассуждений — на четырёх видео-QA-бенчмарках две модели показывают средние значения 74,3 и 79,5, что на 0,6 пункта ниже и на 0,7 пункта выше их базовых моделей в режиме Thinking соответственно.

• Задержка — в 2,8–3,1 раза быстрее, чем эти базовые модели, на граундинге, и более чем в 100 раз на QA. Измеренный показатель для QA — 129× при 4B и 100× при 35B-A3B.

Честная формулировка утверждения о скорости состоит в том, что это сравнение с reasoning-моделью, выполняющей нечто гораздо более сложное, чем требует задача. Qwen3.5-4B в режиме Thinking сжигает 144,9 секунды на вопрос на LVBench, чтобы набрать 74,9; VideoJev-4B тратит 1,123 секунды, чтобы набрать 74,3. Эти 129× — настоящая арифметика по собственной таблице задержек из статьи, и это также арифметика, которую вы получили бы от любой модели, которая отказывается думать. Интересный вопрос не в том, реально ли ускорение, — а в том, можно ли построить систему, в которой такой компромисс корректен.

Аргумент, лежащий в основе этого: решения, а не генерации.

Что делает это интереснее, чем таблица бенчмарков, — это архитектурное утверждение. Авторы дообучили обычную авторегрессионную Qwen3.5-4B на ровно тех же данных постобучения, в рамках того же единственного этапа, с теми же настройками, и заставили её генерировать интервалы или отвечать буквами. В таблице 3 статьи сказано, что VideoJev-4B превосходит этот контрольный вариант на 1,3 пункта среднего mIoU по граундингу и на 1,9 пункта средней оценки QA. Обе модели получали идентичный супервизионный сигнал; различалась лишь форма считывания.

Если это верно, выигрыш не в данных и не в масштабе — он в том, что просить модель выдавать распределение вероятностей по структурированным кандидатам лучше подходит для структурированного решения, чем просить её порождать строку, а затем разбирать эту строку обратно в решение. Это та же ставка, которую сделала TypeSafe с Jev 1.13 и его семейством System One, обобщённая с текстовых состояний на видео. В статье прямо говорится, что она развивает эту линию работ, а не изобретает категорию.

Две детали реализации стоят больше, чем заголовочные цифры, потому что именно они делают систему пригодной к использованию, а не просто быстрой. Кэшированный инференс кодирует видео и выполняет его предзаполнение один раз, а поступающие запросы ответвляются от этого кэшированного префикса — один прямой проход на запрос. Совместный инференс ставит несколько запросов за одним видео-префиксом и считывает отдельный <|decide|> для каждого, так что группа вопросов обходится суммарно в один прямой проход. На десяти grounding-запросах к одному видео в статье измерено 0,39 с для VideoJev против 5,98 с для базовой модели Instruct; на стороне QA десять запросов укладываются в 1,67 с. В статье также проверяется очевидный режим отказа совместного инференса — что более ранний вопрос «протекает» своим ответом в более поздний — и сообщается, что было подтверждено: ни эталонные, ни предсказанные ответы не вставляются в общий префикс. Стоит отметить, что это собственная проверка авторов и что совместный инференс набирает лучше, чем изолированный кэшированный режим (65,3 против 64,5 mIoU при 4B), что они объясняют обучением на той же совместной раскладке.

О чём карта умалчивает

Четыре вещи заметно отсутствуют — и они важнее всего перечисленного выше, если вы решаете, готово ли это к работе в продакшене.

• Обучающие данные не раскрываются. В репозитории описан формат и даны инструменты для создания собственного JSONL, но сам корпус, его размер и происхождение не указаны. Вы не можете оценить контаминацию относительно семи бенчмарков, о которых в нём сообщается.

• Веса 35B начинаются с FP32. На странице проекта указано, что для Cached-инференса используется FP32, а для Joint — BF16, поэтому именно основная конфигурация более крупной модели имеет более высокие требования к памяти, и на странице не приводится объём VRAM ни для одного из этих вариантов.

• Уверенность излишне самоуверенна. В статье сообщается о средней ошибке калибровки 8,65 пункта для 4B и 8,13 для 35B-A3B. Эта оценка — пригодный сигнал для ранжирования, а не вероятность, на основе которой следует принимать решения без порога, настроенного вами самостоятельно.

• Никто не проводил независимых расчётов. Все приведённые здесь цифры получены от группы, которая обучала модели. На момент написания этого текста нет ни воспроизведения третьей стороной, ни записи в лидерборде, ни поддержки во фреймворках — путь инференса требует trust_remote_code=True для нестандартной архитектуры, а также как минимум PyTorch 2.8/CUDA 12.8 и FlashAttention 2.

Последнее замечание относится и к меньшей модели — и идёт вразрез с очевидным предположением. VideoJev-4B — именно та модель, которую ожидаешь запустить на скромном оборудовании, а руководство по быстрому запуску в самой карточке модели предполагает H200 при 2 кадрах/с и до 2 048 кадров. Есть и более дешёвая демонстрация — десятисекундный клип, десять интервалов-кандидатов, напечатанные вероятности, — но результаты для длинных видео в статье используют фиксированный контекст в 262 144 токена с ограничением размера кадров до 640×640. Модель 4B мала по числу параметров, но не обязательно по стоимости обслуживания.

Попробовать это, не делая на это ставку

Поскольку именно чекпойнты реально существуют, низкорисковый способ начать — запустить VideoJev локально на собственных видеоматериалах, прежде чем строить на нём что-либо: демонстрационный путь — это скачивание и дюжина строк, а случаи неудачи, которые документирует сама статья (подсчёт мелких объектов на Video-MME, где оба размера пропускают ответ про четыре книги), — как раз те, на которые вы хотите наткнуться на своих данных, а не на Charades. VideoJev-4B и VideoJev-35B-A3B распространяются под Apache-2.0, так что ничто вас не останавливает.

Место OrcaRouter — это вторая половина рабочего процесса. Интерфейс для принятия решений на основе видео сам по себе — редкость; обычное дело — конвейер, которому также нужна генеративная модель для написания резюме, дешёвый классификатор для отсечения дорогих вызовов и что-то для маршрутизации между ними. OrcaRouter ставит более 200 моделей за одним API с наценкой 0% — цена провайдера передаётся как есть, поэтому снижение цены вендором действует здесь в тот же день — с автоматическим переключением при сбое между провайдерами, DSL маршрутизации для объединения нескольких моделей в один вызов и слиянием моделей для панелей. Ни один из чекпоинтов VideoJev здесь не размещён, и эта статья не собирается делать вид обратного; два места, где это оправдано, — это вторая нога конвейера, первая нога которого — локальная модель, и причина, по которой исследовательскую модель вроде этой можно попробовать, не заключая второй контракт с вендором на всё сопутствующее.

Что сделало бы эту историю более громкой?

Оговорка к этому материалу на удивление однозначна, поэтому стоит сказать прямо: VideoJev — это исследовательский релиз, а не запуск продукта. Нет ни списка изменений, ни страницы с ценами, ни хостируемого эндпоинта, ни листа ожидания и ни поста в блоге вендора. Есть только препринт, поданный 13 октября 2026 года, два чекпоинта под лицензией Apache-2.0, загруженные 10 октября, и репозиторий, который всё ещё редактировали 14 октября — за день до этой статьи. Отсутствие анонса не является доказательством проблемы, но оно означает, что подача должна строиться на том, «что говорят артефакты», а не на том, «что заявляет вендор».

Три события изменили бы картину. Независимая оценка, воспроизводящая приросты +6.7 и +10.8 mIoU на тех же бэкбонах по тому же протоколу. Реализация на vLLM или SGLang, которая перевела бы его из разряда курьёза с trust_remote_code в нечто, что можно обслуживать, обеспечивая пропускную способность. Или хостируемый эндпоинт от кого-то, который сделал бы утверждение о 100× числом, которое можно измерить на собственном видео, а не тем, которое берёшь из таблицы на шестой странице. Пока что-то из этого не появится, полезная позиция — та, которую занимает сама статья: интерфейс прямого оценивания — это действительно другой способ строить видеоагента, а доказательство этого сейчас — девятистраничный препринт одной группы.

Держите демонстрационный ноутбук открытым, запустите его на самых невыигрышных материалах, которые у вас есть, и воспринимайте оценки уверенности как ранжирование, пока вы сами их не откалибруете.

Релиз — это также момент проверить, что пошло не так раньше: задокументированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку уверенности и флаг спорности.