VideoJev vs Jev 1.13: Samma idé, två olika jobb

Jämförelsen verkar självklar tills du försöker skriva den. VideoJev är ett forskningssläpp med öppna vikter från NJU:s MCG-lab som poängsätter tidsintervall och svarsalternativ mot videobevis, i två checkpoints, VideoJev-4B och VideoJev-35B-A3B. Jev 1.13 är TypeSafe AI:s slutna, hostade beslutsmodell — modellen som namngav kategorin som båda verkar i. VideoJevs egen artikel citerar Jev som ursprunget till paradigmet som den vidareutvecklar, vilket får det här att se ut som en direkt duell. Det är det oftast inte. Jev 1.13 tar texttillstånd och returnerar typade beslut. VideoJev tar video och returnerar poängsatta intervall eller ett valt alternativ. De överlappar i idén och nästan inte alls i indata, så den användbara frågan är inte "vilken är bättre" utan "vilken är ens kvalificerad för jobbet du har."

Båda anlände tyst och nyligen, på olika sätt. Jev 1.13 lanserades 2026-09-15 — TypeSafes första publika modell efter två år i stealth — och har varit tillgänglig via OrcaRouters egen katalog på typesafe/jev-1.13 sedan 2026-09-24. VideoJev har ingen lansering alls: arXiv-förhandstrycket publicerades 2026-10-13, de två Apache-2.0-checkpointarna lades upp på Hugging Face 2026-10-10, och repot tog fortfarande emot README-rättelser 2026-10-14. Ingen av dem är en lanseringsnyhet idag. Det som gör paret värt att läsa är att de är samma arkitektoniska satsning tillämpad på två olika data, och skillnaden i hur var och en levereras säger dig det mesta du behöver för att fatta beslut.

En rad vardera, eftersom sammanfattningarna divergerar snabbt.

Jev 1.13 är en hostad slutpunkt. Du POSTar ett block med tillstånd och en uppsättning namngivna frågor till /v1/systemone och får tillbaka ett typbestämt svar per fråga — noul (ett sant/falskt-svar med en kalibrerad sannolikhet), choice (en etikett bland upp till 255 alternativ) eller score (en nivå på en ordnad skala från 2 till 10). Inget genereras, så det finns inga utdatatokens och TypeSafe debiterar inget; indata kostar $0.042 per miljon tokens. Dess arkitektur, parameterantal och träningsberäkning är inte offentliggjorda. Dess indata är endast text — strängar, JSON, arrayer — utan stöd för bild, ljud eller video. Du kör den inte; varje anrop mäts.

VideoJev är den motsatta lösningen. Det är en checkpoint som du laddar ner och serverar själv, under Apache-2.0, byggd genom att finjustera en befintlig multimodell-LLM: VideoJev-4B på Qwen3.5-4B, VideoJev-35B-A3B på Qwen3.6-35B-A3B. Författarna tar bort den sista MLP:n och språkmodellens utmatningshuvud och ersätter dem med en kandidatbedömare, så modellen skriver aldrig ett svar — den bedömer kandidatintervall och kandidatsvar direkt. Två inferenslägen organiserar den: Cachad inferens kodar videon en gång och grenar varje ny fråga från det prefixet, och Gemensam inferens placerar en grupp frågor bakom ett videoprefix och läser ut dem alla i en enda framåtpassning.

De dimensioner som faktiskt skiljer dem åt

• Indatamodalitet — video, vid 2 fps med bildrutor begränsade till 640×640 för VideoJev, jämfört med enbart texttillstånd för Jev 1.13.

• Vad ett "beslut" är — ett tidsintervall i sekunder plus ett alternativindex kontra en typad etikett, nivå eller sannolikhet.

• Leverans — självhostade Apache-2.0-vikter mot en hostad slutpunkt med förbrukningsmätning.

• Pris — dina egna GPU-timmar jämfört med $0,042 per miljon indatatoken med utdata som faktureras till noll.

• Kostnaden för en andra fråga i samma kontext — VideoJevs hela designproblem, besvarat av prefixåteranvändning; Jev skickar om tillståndet vid varje anrop, eftersom den inte har något videostort prefix att amortera.

• Publicerad detalj — en niosidig preprint med tabeller per benchmark och ablationer, men ingen redogörelse för arkitektur, parametrar eller träning.

• Var du kan köra den — var som helst där du har en lämplig GPU, jämfört med TypeSafes slutpunkt och de gateways som transporterar den, inklusive typesafe/jev-1.13 på OrcaRouter.

Notera vad som inte finns på den listan: ett gemensamt benchmark. Det finns inget som båda modellerna har poängsatts på, eftersom det inte finns någon uppgift som båda kan acceptera. Varje tabell som ställer dem sida vid sida skulle hitta på en jämförelse.

Där härstamningen är verklig, och där den upphör

Den intellektuella skulden är explicit snarare än underförstådd. VideoJevs introduktion ramar in sitt bidrag som att utgå från premissen System One – att en modell kan avge en strukturerad bedömning i stället för att generera tokens – och att fråga vad som förändras när det som bedöms har en tidslinje. Jevs svar på ”hur fattar en modell beslut utan att skriva?” är ett poängsättningshuvud över en deklarerad uppsättning alternativ. VideoJevs svar är samma poängsättningshuvud riktat mot både tidsstämplar och etiketter.

Den utökningen är inte kosmetisk, och artikeln är ovanligt specifik om varför. När den underliggande kontexten är en video är den dyra delen den visuella kodningen, och en agent som ställer sex frågor om samma filmmaterial bör inte betala för det sex gånger. Båda VideoJevs inferenslägen finns för att åtgärda det, och siffrorna visar vad de ger: på tio grounding-frågor mot en video, 0,39 s för VideoJev mot 5,98 s för en Instruct-baslinje; på QA-sidan, tio frågor på 1,67 s. Jev har ingen motsvarighet eftersom ett texttillstånd är billigt att skicka igen — problemet som Jev löser är beslutsfördröjning per anrop, och problemet som VideoJev löser är beslutsfördröjning per anrop efter det första.

Gränsen går vid modalitet. TypeSafes egen dokumentation är tydlig med att indata för System One är text – ”strängar, JSON-objekt och arrayer av text” – och att bilder, ljud och video inte stöds. Så de två modellerna kan inte ersätta varandra i någon uppgift. Om ditt underlag är ett dokument, en chattlogg eller en formulärinlämning, kan VideoJev inte hantera det. Om din fråga är ”när i det här filmmaterialet äter kvinnan i grönt pasta”, kan Jev 1.13 inte hantera den heller.

Siffrorna, och vem som tog fram dem

VideoJevs huvudsiffror kommer från författarnas eget testramverk och har inte reproducerats oberoende. VideoJev-4B når 65,3 i genomsnittlig mIoU över tre benchmarks för temporal grounding, 6,7 punkter över sin Qwen3.5-4B-backbone; VideoJev-35B-A3B når 67,7, 10,8 punkter över Qwen3.6-35B-A3B. På fyra video-QA-benchmarks ligger de två på 74,3 respektive 79,5 i genomsnitt, med 0,6 punkter under och 0,7 punkter över sina backbones i Thinking-läge, med 129× respektive 100× hastigheten. Artikeln genomför också en kontrollerad jämförelse – en vanlig autoregressiv Qwen3.5-4B finjusterad på exakt samma data, samma schema – och VideoJev slår den med 1,3 punkter i grounding-mIoU och 1,9 punkter i QA-poäng. Den kontrollen är det starkaste beviset i artikeln, eftersom den isolerar utläsningsformen från träningsdatan.

Två förbehåll spelar roll om du planerar att förlita dig på den. Artikeln rapporterar ett genomsnittligt kalibreringsfel på 8,65 punkter vid 4B och 8,13 vid 35B-A3B, vilket innebär att poängen är en bra rankningssignal och en dålig sannolikhet — behandla en 0,9 som "högst upp på listan", inte som "90 % sannolikt". Och 35B-checkpointens huvudkonfiguration är FP32 enligt projektsidan, så den större modellens minnesavtryck är tyngre än vad parameterantalet antyder.

Även Jev 1.13:s siffror är publicerade av leverantören, men de är av det slag som kan kontrolleras genom att anropa den: ett fast pris på 0,042 USD per miljon indatatoken, noll utdatakostnad och svarstider från ände till ände på 70–500 ms. TypeSafe är också uppriktig om vilka påståenden som är ofalsifierbara och vilka som inte är det, och noterar att "inga typfel" inte kan motbevisas med ett motexempel eftersom ett värde utanför din deklarerade mängd inte är ett värde som modellen kan emittera.

Om du behöver båda har du två upphandlingsproblem

Det är här skillnaden i leverans slutar vara filosofisk. VideoJev kommer som ett repo: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True, och en snabbstart som förutsätter en H200 för inställningarna för långa videor. Det finns ännu inget stöd för vLLM eller SGLang, så det är inte något du sätter i produktion för hög genomströmning imorgon. Du tar dig an en inferensstack, inte en leverantörsrelation.

Jev 1.13 kommer som en API-nyckel, och det här är den enda platsen där OrcaRouter är direkt relevant: modellen finns i vår katalog, så den ligger på samma nyckel som den generativa halvan av vilket arbetsflöde du än bygger — ett API för 200+ modeller, 0 % påslag (leverantörens listpris förs vidare oförändrat, så en prisändring från TypeSafe slår igenom här samma dag), automatisk failover mellan leverantörer, och ett routing-DSL om du vill kombinera flera modeller i ett anrop. VideoJev hostas inte här och den här artikeln tänker inte låtsas något annat. Att köra det innebär att ladda ner vikter under Apache-2.0 och sätta upp din egen tjänst; vad vi tar bort från dina axlar är allt runtomkring — sammanfattaren som skriver ihop resultatet, den billigare klassificeraren som avgör om videoanropet är värt att göras överhuvudtaget, reservlösningen när en leverantör vacklar.

Beslutsregeln

Den ärliga sammanfattningen är att dessa två är en familjelikhet, inte en rivalitet. Välj Jev 1.13 när bedömningen gäller text, svaret är ett av en uppsättning du deklarerar i förväg, och du vill att någon annan sköter infrastrukturen och kalibreringsarbetet. Välj VideoJev när bevisningen är en video, svaret är en tidsstämpel eller ett flervalsalternativ, och du har GPU:erna och aptiten att köra en icke-replikerad forskningsrelease – med en hård granskning av ditt eget videomaterial först, eftersom artikeln dokumenterar sitt eget felmod (räkning av små objekt, där båda storlekarna missar ett fyraboks-svar) och ditt kommer att vara annorlunda.

Det som skulle förändra bilden är en tredje checkpoint snarare än en vinnare. Ingen av modellerna är nära en allmän visuell agent: Jev kan inte se, och VideoJev kan bara svara på de två frågeformat som den tränats på. Den intressanta nyheten skulle vara ett VideoJev-släpp med en textväg, eller ett Jev-släpp som tar emot bildrutor – då de två linjerna möts och detta upphör att vara två artiklar om två paradigm och blir en artikel om en fajt.

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.