VideoJev: En videomodell som svarar med ett nummer i stället för en mening

VideoJev är en familj av videoförståelsemodeller som aldrig skriver ett svar. Be den om tidsstämpeln för en händelse och den returnerar ett intervall sammansatt av poängsatta kandidatsegment; ställ en flervalsfråga om en video till den och den returnerar alternativet med högst poäng. Det finns två släppta checkpoints — VideoJev-4B på Qwen3.5-4B och VideoJev-35B-A3B på Qwen3.6-35B-A3B — och de lanserades inte. Ingen skickade ut ett pressmeddelande. En artikel dök upp på arXiv den 13 oktober 2026, vikterna lades upp på Hugging Face den 10 oktober 2026, och repot städades fortfarande fyra dagar senare: den 14 oktober fick det commits som "Återställ inline-README-video med en offentlig bilaga" och "Lägg till länk till arXiv-artikeln och officiell BibTeX-citering." Så ser en tyst lansering ut — artefakterna är verkliga och inspekterbara, och det finns inget tillkännagivande som talar om vad författarna tycker är viktigt.

Allt nedan kommer från en av tre platser: arXiv-förhandstrycket (2610.18615, cs.CV, inskickat 13 oktober 2026), modellkorten och koden som författarna publicerade, och artikelns egna fotnoter om hur siffrorna mättes. Jag har försökt hålla dessa tre tydligt åtskilda, eftersom det intressanta med det här släppet inte är rubriksiffran — utan hur tunn grunden under den är.

Vad artikeln faktiskt hävdar

VideoJev tar en förtränad multimodal LLM, tar bort det sista MLP-lagret och språkmodellens utdatahuvud och sätter en kandidatpoängsättare i deras ställe. Två nya token, <|option_end|> och <|decide|>, producerar utläsningar. Beslutstillståndet och varje kandidattillstånd projiceras till 512 dimensioner, normaliseras och punktmultipliceras med varandra; tidsintervall poängsätts med en sigmoid och sätts samman till ett spann, svarsalternativ poängsätts och normaliseras med en softmax. Båda uppgifterna körs genom samma huvud. Ingenting avkodas autoregressivt, eftersom det inte finns något att avkoda.

Artikelns tre huvudsiffror, alla rapporterade av leverantören och alla från författarnas egen utvärderingsmiljö:

• Grundningskvalitet — VideoJev-4B uppnår 65,3 i genomsnittlig mIoU över tre benchmarkar för temporal grundning, 6,7 punkter över sin Qwen3.5-4B-backbone. VideoJev-35B-A3B uppnår 67,7, 10,8 punkter över Qwen3.6-35B-A3B.

• QA-paritet utan resonemang — på fyra video-QA-benchmarks ligger de två modellerna i genomsnitt på 74,3 respektive 79,5, vilket är 0,6 punkter under respektive 0,7 punkter över deras backbones i Thinking-läget.

• Latens — 2,8–3,1× snabbare än dessa backbones vid grounding och över 100× vid QA. Det uppmätta värdet för QA är 129× vid 4B och 100× vid 35B-A3B.

Den ärliga formuleringen av hastighetspåståendet är att det är en jämförelse mot en resonemangsmodell som gör något mycket svårare än uppgiften kräver. Qwen3.5-4B i Thinking mode förbrukar 144,9 sekunder per fråga på LVBench för att uppnå 74,9; VideoJev-4B spenderar 1,123 sekunder för att uppnå 74,3. 129× är verklig aritmetik på artikelns egen latens tabell, och det är också den aritmetik du skulle få från vilken modell som helst som avstår från att tänka. Den intressanta frågan är inte huruvida snabbheten är verklig — den är huruvida ett system kan byggas där den avvägningen är korrekt.

Argumentet bakom det: beslut, inte generationer

Det som gör detta mer intressant än en benchmarktabell är det arkitektoniska påståendet. Författarna finjusterade en vanlig autoregressiv Qwen3.5-4B på exakt samma efterträningsdata, i samma enda steg, med samma inställningar, och lät den generera intervall eller svara med bokstäver. Tabell 3 i artikeln säger att VideoJev-4B slår den kontrollmodellen med 1,3 punkter i genomsnittlig grounding-mIoU och 1,9 punkter i genomsnittlig QA-poäng. Båda modellerna såg identisk övervakning; endast utläsningsformen skilde sig.

Om det håller ligger vinsten inte i data och inte i skala — den ligger i att det passar ett strukturerat beslut bättre att be en modell avge en sannolikhetsfördelning över strukturerade kandidater än att be den producera en sträng och sedan parsa strängen tillbaka till ett beslut. Det är samma satsning som TypeSafe gjorde med Jev 1.13 och dess System One-familj, generaliserad från texttillstånd till video. Artikeln är tydlig med att den bygger på den forskningslinjen snarare än att uppfinna kategorin.

Två implementeringsdetaljer är värda mer än rubriksiffrorna, eftersom det är de som gör den användbar snarare än bara snabb. Cachad inferens kodar och förfyller videon en gång och låter ankommande frågor förgrena sig från det cachade prefixet – en framåtpassning per fråga. Gemensam inferens placerar flera frågor bakom ett enda videoprefix och läser ut en separat <|decide|> för var och en, så en grupp frågor kostar totalt en framåtpassning. På tio grounding-frågor mot en video mäter artikeln 0,39 s för VideoJev mot 5,98 s för en Instruct-baslinje; på QA-sidan landar tio frågor på 1,67 s. Artikeln kontrollerar också det uppenbara felläget för gemensam inferens – att en tidigare fråga läcker sitt svar till en senare – och rapporterar att man verifierade att inga referens- eller predikterade svar infogas i det delade prefixet. Det är värt att notera att detta är författarnas egen verifiering, och att gemensam inferens får bättre resultat än det isolerade cachade läget (65,3 mot 64,5 mIoU vid 4B), vilket de tillskriver träning på samma gemensamma layout.

Vad kortet inte berättar för dig

Fyra saker lyser med sin frånvaro, och de väger tyngre än allt ovanstående om du ska avgöra om detta är produktionsklart.

• Träningsdata är inte avslöjad. Repot dokumenterar formatet och ger dig verktygen för att bygga din egen JSONL, men korpusen, dess storlek och dess härkomst anges inte. Du kan inte bedöma kontaminering mot de sju benchmarks som det rapporterar om.

• 35B-vikterna börjar på FP32. Projektsidan anger FP32 för Cached-inferens och BF16 för Joint — så den större modellens huvudkonfiguration är den med det tyngre minnesavtrycket, och sidan anger ingen VRAM-siffra för någon av dem.

• Konfidensen är överkonfident. Artikeln rapporterar ett genomsnittligt kalibreringsfel på 8,65 punkter för 4B och 8,13 för 35B-A3B. Poängen är en användbar rangordningssignal, inte en sannolikhet som du bör förgrena på utan en tröskel som du själv har justerat.

• Ingen har räknat igenom siffrorna oberoende. Varje siffra här kommer från gruppen som tränade modellerna. När detta skrivs finns det ingen tredjepartsreplikering, ingen post på någon resultattavla och inget ramverksstöd har landat — inferensvägen är trust_remote_code=True mot en anpassad arkitektur, vilket kräver minst PyTorch 2.8/CUDA 12.8 och FlashAttention 2.

Den sista punkten gäller även den mindre modellen, och den motsäger det självklara antagandet. VideoJev-4B är den man skulle förvänta sig kunna köra på blygsam hårdvara, och kortets egen snabbstart förutsätter en H200 vid 2 fps med upp till 2 048 bildrutor. Det finns en billigare demo – ett tio sekunder långt klipp, tio kandidatintervall, utskrivna sannolikheter – men artikelns långvideoresultat använder en fast kontext på 262 144 token med bildrutor begränsade till 640×640. 4B är litet i antal parametrar, men inte nödvändigtvis i serveringskostnad.

Att prova det utan att satsa på det

Eftersom det är checkpoints som faktiskt finns, är den lågriskväg in att köra VideoJev lokalt mot ditt eget material innan du bygger något på det — demovägen är en nedladdning och ett dussin rader, och de fel fall som artikeln själv dokumenterar (räkning av små objekt på Video-MME, där båda storlekarna missar ett svar med fyra böcker) är precis de du vill stöta på i dina egna data snarare än i Charades. VideoJev-4B och VideoJev-35B-A3B är Apache-2.0, så inget hindrar dig.

Var OrcaRouter passar in är den andra halvan av arbetsflödet. Ett videobeslutsgränssnitt är sällsynt i sig självt; vad som är vanligt är en pipeline som också behöver en generativ modell som skriver sammanfattningen, en billig klassificerare som avgör om det dyra anropet ska göras, och något som dirigerar mellan dem. OrcaRouter sätter 200+ modeller bakom ett enda API med 0 % påslag — leverantörens listpris förs vidare, så en leverantörs prissänkning gäller här samma dag — med automatisk failover mellan leverantörer, ett routing-DSL för att kombinera flera modeller till ett anrop, och modellfusion för paneler. Ingen av VideoJevs checkpoints hostas här, och den här artikeln tänker inte låtsas något annat; de två sammanhang där den förtjänar sin plats är som den andra etappen i en pipeline vars första etapp är en lokal modell, och som anledningen till att en forskningsmodell som denna kan testas utan ett andra leverantörsavtal för allt runt omkring den.

Vad skulle göra detta till en större nyhet?

Grinden för den här artikeln är ovanligt ren, så det är värt att säga rakt ut: VideoJev är en forskningsrelease, inte en produktlansering. Det finns ingen ändringslogg, ingen prissida, ingen hostad slutpunkt, ingen väntelista och inget blogginlägg från leverantören. Det som finns är en förhandspublikation som skickades in den 13 oktober 2026, två Apache-2.0-checkpoints som laddades upp den 10 oktober, och ett repository som fortfarande redigerades den 14 oktober — dagen före den här artikeln. Att det inte finns något meddelande är inte bevis på ett problem, men det betyder att inramningen måste vara "vad artefakterna säger", inte "vad leverantören påstår".

Tre utvecklingar skulle förändra bilden av detta. En tredjepartsutvärdering som reproducerar +6,7 och +10,8 mIoU-förbättringarna mot samma backbones under samma protokoll. En vLLM- eller SGLang-implementation, som skulle flytta den från en trust_remote_code-kuriositet till något som kan serveras med genomströmning. Eller en hostad slutpunkt från någon, som skulle göra 100×-påståendet till en siffra du kan mäta på din egen video i stället för en du hämtar från en tabell på sidan sex. Tills en av dessa blir verklighet är den användbara hållningen den som artikeln själv intar: gränssnittet för direkt poängsättning är ett verkligt annorlunda sätt att bygga en videoagent, och bevisen för det är för närvarande en grupps niosidiga preprint.

Håll demonotebooken öppen, kör den på det minst smickrande videomaterial du har och behandla konfidenspoängen som en rangordning tills du själv har kalibrerat dem.

En lansering är också tillfället att kontrollera vad som har gått fel tidigare: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd-flagga.