VideoJev vs Jev 1.13: одна идея, две разные задачи

Сравнение кажется очевидным, пока не попробуешь его записать. VideoJev — это исследовательский релиз с открытыми весами от лаборатории MCG при NJU, который оценивает временные интервалы и варианты ответа по видеодоказательствам, в двух чекпойнтах: VideoJev-4B и VideoJev-35B-A3B. Jev 1.13 — это закрытая, хостируемая модель принятия решений от TypeSafe AI — модель, давшая название категории, к которой относятся обе. В собственной статье VideoJev ссылается на Jev как на источник парадигмы, которую расширяет, из-за чего это выглядит как прямое сравнение. По большей части это не так. Jev 1.13 принимает текстовое состояние и возвращает типизированные решения. VideoJev принимает видео и возвращает оценённые интервалы или выбранный вариант. Они пересекаются в идее и почти не пересекаются по входным данным, поэтому полезный вопрос не «какая лучше», а «какая вообще подходит для вашей задачи».

Оба появились тихо и недавно, но по-разному. Jev 1.13 вышел 2026-09-15 — первая публичная модель TypeSafe после двух лет скрытой разработки — и доступна через собственный каталог OrcaRouter под идентификатором typesafe/jev-1.13 с 2026-09-24. У VideoJev запуска не было вовсе: препринт на arXiv вышел 2026-10-13, два чекпоинта под лицензией Apache-2.0 появились на Hugging Face 2026-10-10, а репозиторий всё ещё получал правки к README 2026-10-14. Ни один из них сегодня не является историей о запуске. Эта пара заслуживает внимания потому, что обе модели — одна и та же архитектурная ставка, применённая к двум разным типам данных, а разница в том, как каждая из них доставляется, говорит почти всё, что нужно для принятия решения.

По одной строке на каждую, потому что сводки быстро расходятся.

Jev 1.13 — это хостируемый эндпоинт. Вы отправляете POST-запрос с блоком состояния и набором именованных вопросов на /v1/systemone и получаете в ответ по одному типизированному ответу на каждый вопрос — noul (истина/ложь с калиброванной вероятностью), choice (одна метка из не более чем 255 вариантов) или score (уровень по упорядоченной шкале от 2 до 10). Ничего не генерируется, поэтому выходных токенов нет, и TypeSafe ничего за них не начисляет; стоимость ввода — $0,042 за миллион токенов. Его архитектура, число параметров и вычислительные затраты на обучение не раскрываются. Его входные данные — только текст: строки, JSON, массивы — без возможности передачи изображений, аудио или видео. Вы не запускаете его у себя; каждый вызов тарифицируется.

VideoJev — это противоположная схема. Это чекпоинт, который вы скачиваете и обслуживаете сами, под лицензией Apache-2.0, созданный путём дообучения существующей мультимодальной LLM: VideoJev-4B на базе Qwen3.5-4B, VideoJev-35B-A3B на базе Qwen3.6-35B-A3B. Авторы удаляют финальный MLP и выходную голову языковой модели и заменяют их модулем оценки кандидатов, поэтому модель никогда не пишет ответ — она напрямую оценивает интервалы-кандидаты и ответы-кандидаты. Его организуют два режима инференса: Кэшированный инференс кодирует видео один раз и ответвляет каждый новый запрос от этого префикса, а Совместный инференс помещает группу вопросов за одним видео-префиксом и выводит их все за один прямой проход.

Измерения, которые на самом деле их разделяют

• Модальность ввода — видео, 2 кадра/с с размером кадров не более 640×640 для VideoJev, против только текстового состояния для Jev 1.13.

• Что такое «решение» — временной интервал в секундах плюс индекс варианта в отличие от типизированной метки, уровня или вероятности.

• Поставка — веса Apache-2.0 для самостоятельного размещения против хостируемой конечной точки с оплатой по мере использования.

• Цена — ваши собственные часы работы GPU против $0.042 за миллион входных токенов, при этом выходные токены не тарифицируются.

• Стоимость второго запроса в том же контексте — вся проблема дизайна VideoJev, решённая повторным использованием префикса; Jev заново отправляет состояние при каждом вызове, поскольку у него нет префикса размером с видео для амортизации.

• Опубликованные подробности — девятистраничный препринт с таблицами по каждому бенчмарку и абляциями, но без раскрытия архитектуры, параметров или обучения.

• Где это можно запустить — где угодно, где у вас есть подходящий GPU, в отличие от эндпоинта TypeSafe и шлюзов, через которые он предоставляется, включая typesafe/jev-1.13 на OrcaRouter.

Обратите внимание, чего нет в этом списке: общего бенчмарка. Нет ничего, по чему обе модели были бы оценены, потому что нет задачи, которую обе могут принять. Любая таблица, ставящая их рядом, выдумывала бы сравнение.

Где родословная подлинна, а где она обрывается

Интеллектуальный долг здесь указан явно, а не подразумевается. Во введении VideoJev его вклад описывается так: берётся предпосылка System One — что модель может выдавать структурированное суждение вместо генерации токенов — и ставится вопрос, что меняется, когда у объекта оценки есть временная шкала. Ответ Jev на вопрос «как модель принимает решение, не порождая текст?» — это скоринговая голова над объявленным набором вариантов. Ответ VideoJev — та же скоринговая голова, нацеленная как на временные метки, так и на метки.

Это расширение не косметическое, и статья необычно конкретно объясняет почему. Когда в основе лежит видео, дорогостоящая часть — это визуальное кодирование, и агент, который задаёт шесть вопросов об одних и тех же видеоматериалах, не должен платить за это шесть раз. Оба режима инференса VideoJev существуют, чтобы решить эту проблему, и цифры показывают, что они дают: на десяти запросах на локализацию по одному видео — 0,39 с у VideoJev против 5,98 с у базовой модели Instruct; на стороне QA — десять запросов за 1,67 с. У Jev нет эквивалента, потому что текстовое состояние дёшево пересылать повторно — проблема, которую решает Jev, — это задержка принятия решения при каждом вызове, а проблема, которую решает VideoJev, — это задержка принятия решения при каждом вызове после первого.

Ключевое ограничение — модальность. В собственной документации TypeSafe прямо сказано, что вход System One — это текст — «строки, объекты JSON и массивы текста» — а изображения, аудио и видео не поддерживаются. Таким образом, эти две модели не являются взаимозаменяемыми ни в одной задаче. Если ваше состояние — это документ, журнал чата или отправленная форма, VideoJev не может его принять. Если ваш вопрос — «в какой момент этого видео женщина в зелёном ест пасту», Jev 1.13 тоже не может его принять.

Цифры и кто их произвёл

Основные показатели VideoJev получены с помощью собственного тестового стенда авторов и не были независимо воспроизведены. VideoJev-4B достигает среднего mIoU 65,3 на трёх бенчмарках временной локализации — на 6,7 пункта выше своей базовой модели Qwen3.5-4B; VideoJev-35B-A3B достигает 67,7 — на 10,8 пункта выше Qwen3.6-35B-A3B. На четырёх бенчмарках видео-QA эти две модели показывают в среднем 74,3 и 79,5 — на 0,6 пункта ниже и на 0,7 пункта выше своих базовых моделей в режиме Thinking, при скорости в 129× и 100×. В статье также проводится контролируемое сравнение — обычная авторегрессионная Qwen3.5-4B, дообученная на точно тех же данных и по тому же расписанию, — и VideoJev превосходит её на 1,3 пункта mIoU локализации и на 1,9 пункта по показателю QA. Этот контроль — самое сильное доказательство в статье, потому что он отделяет форму считывания от обучающих данных.

Есть два предостережения, которые важны, если вы планируете на него полагаться. В статье сообщается о средней ошибке калибровки в 8,65 пункта у 4B и 8,13 у 35B-A3B, что означает, что оценки — это хороший сигнал для ранжирования, но плохая вероятность: воспринимайте 0,9 как «верх списка», а не как «вероятность 90%». А основная конфигурация чекпоинта 35B — FP32, согласно странице проекта, поэтому объём памяти, занимаемый более крупной моделью, больше, чем можно предположить по числу параметров.

Показатели Jev 1.13 тоже опубликованы производителем, но они относятся к тем, которые можно проверить, вызвав его: фиксированная цена $0.042 за миллион входных токенов, нулевая стоимость вывода и сквозное время отклика 70–500 мс. TypeSafe также откровенно говорит о том, какие утверждения неопровержимы, а какие нет, отмечая, что «отсутствие ошибок типов» нельзя опровергнуть контрпримером, поскольку значение вне объявленного вами множества — это не значение, которое модель может выдать.

Если вам нужно и то и другое, у вас две проблемы с закупками.

Здесь разница в поставке перестаёт быть философской. VideoJev поставляется как репозиторий: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True, и быстрый старт, который предполагает H200 для настроек длинного видео. Поддержки vLLM или SGLang пока нет, так что это не то, что вы сможете завтра обслуживать с высокой пропускной способностью. Вы берёте на себя стек инференса, а не отношения с вендором.

Jev 1.13 поставляется как API-ключ, и это единственное место, где OrcaRouter напрямую уместен: модель есть в нашем каталоге, поэтому она находится на том же ключе, что и генеративная половина любого рабочего процесса, который вы создаёте — один API для 200+ моделей, 0% наценки (цена из прайс-листа провайдера передаётся как есть, так что изменение цены TypeSafe отражается здесь в тот же день), автоматическое переключение при сбое между провайдерами, и DSL маршрутизации, если вы хотите объединить несколько моделей в один вызов. VideoJev здесь не размещён, и эта статья не будет делать вид обратного. Чтобы запустить его, нужно скачать веса Apache-2.0 и поднять собственный сервис; мы снимаем с вас всё, что вокруг него — суммаризатор, который описывает результат, более дешёвый классификатор, который решает, стоит ли вообще делать видеовызов, и запасной вариант, когда провайдер даёт сбой.

Решающее правило

Честный вывод: эти двое — семейное сходство, а не соперничество. Выбирайте Jev 1.13, когда оценка идет по тексту, ответ — один из набора, который вы объявляете заранее, и вы хотите, чтобы кто-то другой управлял инфраструктурой и калибровкой. Выбирайте VideoJev, когда доказательство — видео, ответ — это временная метка или выбор одного из нескольких вариантов, и у вас есть GPU и желание запустить нереплицированный исследовательский релиз — но сначала внимательно посмотрите на собственные видеоматериалы, поскольку статья документирует собственный режим отказа (подсчет мелких объектов, где оба размера пропускают ответ про четыре книги), а у вас он будет другим.

Что изменило бы картину — это третий чекпойнт, а не победитель. Ни одна из моделей не близка к универсальному визуальному агенту: Jev не умеет видеть, а VideoJev способен отвечать лишь на два типа вопросов, на которых его обучали. Интересной новостью стал бы релиз VideoJev с текстовым путём или релиз Jev, принимающий кадры, — и тогда две линии сойдутся, и это перестанет быть двумя статьями о двух парадигмах и станет одной статьёй о схватке.

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.