VideoJev: โมเดลวิดีโอที่ตอบด้วยตัวเลขแทนประโยค

VideoJevเป็นตระกูลของโมเดลทำความเข้าใจวิดีโอที่ไม่เคยเขียนคำตอบ ถ้าถามเวลาของเหตุการณ์ มันจะคืนช่วงเวลาที่ประกอบขึ้นจากช่องผู้สมัครที่มีคะแนน ถ้าถามคำถามแบบปรนัยเกี่ยวกับวิดีโอ มันจะคืนตัวเลือกที่มีคะแนนสูงสุด มีเช็กพอยต์ที่เผยแพร่แล้วสองตัว — VideoJev-4B บน Qwen3.5-4B และ VideoJev-35B-A3B บน Qwen3.6-35B-A3B — และพวกมันไม่ได้ถูกเปิดตัว ไม่มีใครออกข่าวประชาสัมพันธ์ มีเปเปอร์ปรากฏบน arXiv เมื่อ 2026-10-13 น้ำหนักโมเดลถูกอัปโหลดบน Hugging Face เมื่อ 2026-10-10 และรีโพซิทอรีก็ยังถูกจัดระเบียบอยู่สี่วันให้หลัง ณ วันที่ 14 ตุลาคม มันยังได้รับคอมมิตอย่าง "กู้คืนวิดีโอ README แบบอินไลน์ด้วยไฟล์แนบสาธารณะ" และ "เพิ่มลิงก์เปเปอร์ arXiv และการอ้างอิง BibTeX อย่างเป็นทางการ" นั่นคือลักษณะของการเปิดตัวแบบเงียบ ๆ — อาร์ติแฟกต์นั้นมีอยู่จริงและตรวจสอบได้ และไม่มีการประกาศใด ๆ บอกคุณว่าผู้เขียนคิดว่าอะไรสำคัญ

ทุกอย่างด้านล่างนี้มาจากหนึ่งในสามแหล่ง: งาน preprint บน arXiv (2610.18615, cs.CV, ส่งเมื่อวันที่ 13 ตุลาคม 2026) การ์ดโมเดลและโค้ดที่ผู้เขียนเผยแพร่ และเชิงอรรถของตัวบทความเองเกี่ยวกับวิธีการวัดตัวเลขเหล่านั้น ผมพยายามแยกทั้งสามส่วนนี้ออกจากกันอย่างชัดเจน เพราะสิ่งที่น่าสนใจเกี่ยวกับการเผยแพร่นี้ไม่ใช่ตัวเลขพาดหัว — แต่เป็นว่าพื้นฐานที่รองรับตัวเลขนั้นบางเบาเพียงใด

สิ่งที่บทความกล่าวอ้างจริง ๆ

VideoJev รับ LLM แบบหลายรูปแบบที่ผ่านการฝึกมาแล้ว ลบ MLP ชั้นสุดท้ายและเฮดเอาต์พุตของโมเดลภาษา แล้ววางตัวให้คะแนนแคนดิเดตไว้ในตำแหน่งนั้น โทเค็นใหม่สองตัว ได้แก่ <|option_end|> และ <|decide|> ให้ผลลัพธ์สำหรับอ่านค่า สถานะการตัดสินใจและสถานะของแคนดิเดตแต่ละรายถูกฉายไปยังมิติ 512 นอร์มัลไลซ์ และนำมาดอตกัน ช่วงเวลาถูกให้คะแนนด้วยซิกมอยด์และประกอบเป็นสแปน ตัวเลือกคำตอบถูกให้คะแนนและนอร์มัลไลซ์ด้วยซอฟต์แมกซ์ ทั้งสองงานทำงานผ่านเฮดเดียวกัน ไม่มีสิ่งใดถูกถอดรหัสแบบออโตเรเกรสซีฟ เพราะไม่มีอะไรให้ถอดรหัส

ตัวเลขหลักสามตัวของบทความนี้ ล้วนเป็นข้อมูลที่ผู้ขายรายงานเอง และทั้งหมดมาจากชุดทดสอบการประเมินของผู้เขียนเอง:

• คุณภาพการกราวด์ — VideoJev-4B ทำค่า mIoU เฉลี่ยได้ 65.3 จากเบนช์มาร์กการอ้างอิงเชิงเวลาทั้งสามชุด สูงกว่าแบ็กโบน Qwen3.5-4B อยู่ 6.7 จุด VideoJev-35B-A3B ทำได้ 67.7 สูงกว่า Qwen3.6-35B-A3B อยู่ 10.8 จุด

• ความเท่าเทียมของ QA โดยไม่ต้องใช้การให้เหตุผล — บนเกณฑ์มาตรฐาน video-QA สี่รายการ โมเดลทั้งสองมีค่าเฉลี่ยอยู่ที่ 74.3 และ 79.5 โดยต่ำกว่าแบ็กโบนของตน 0.6 จุด และสูงกว่า 0.7 จุดในโหมด Thinking ตามลำดับ

• ความหน่วง — เร็วกว่าแบ็กโบนเหล่านั้น 2.8–3.1× ในงาน grounding และมากกว่า 100× ใน QA ค่าที่วัดได้สำหรับ QA คือ 129× ที่ 4B และ 100× ที่ 35B-A3B.

การวางกรอบข้อกล่าวอ้างเรื่องความเร็วอย่างตรงไปตรงมาก็คือ มันเป็นการเปรียบเทียบกับโมเดลการให้เหตุผลที่กำลังทำสิ่งที่ยากกว่าที่งานนี้ต้องการมาก Qwen3.5-4B ในโหมด Thinking ใช้เวลา 144.9 วินาทีต่อคำถามบน LVBench เพื่อทำคะแนนได้ 74.9 ส่วน VideoJev-4B ใช้เวลา 1.123 วินาทีเพื่อทำคะแนนได้ 74.3 ตัวคูณ 129× เป็นการคำนวณจริงจากตาราง latency ของเปเปอร์เอง และยังเป็นผลการคำนวณแบบเดียวกับที่คุณจะได้จากโมเดลใดก็ตามที่ปฏิเสธที่จะคิด คำถามที่น่าสนใจไม่ใช่ว่าการเร่งความเร็วนั้นเป็นของจริงหรือไม่ — แต่คือว่าเราจะสร้างระบบที่การแลกเปลี่ยนนั้นถูกต้องได้หรือไม่

ข้อโต้แย้งที่อยู่เบื้องหลังมัน: การตัดสินใจ ไม่ใช่รุ่น

จุดที่เรื่องนี้น่าสนใจยิ่งกว่าตาราง benchmark คือข้ออ้างเชิงสถาปัตยกรรม ผู้เขียนได้ไฟน์จูน Qwen3.5-4B แบบ autoregressive ธรรมดาบนข้อมูลหลังการฝึกชุดเดียวกันอย่างแม่นยำ ในขั้นตอนเดียวเหมือนกัน ด้วยการตั้งค่าเดียวกัน และให้มันสร้างช่วงเวลาหรือตอบเป็นตัวอักษร ตารางที่ 3 ในบทความระบุว่า VideoJev-4B เอาชนะกลุ่มควบคุมนั้นได้ 1.3 จุดของค่าเฉลี่ย grounding mIoU และ 1.9 จุดของคะแนน QA เฉลี่ย โมเดลทั้งสองได้รับการกำกับดูแลที่เหมือนกัน มีเพียงรูปร่างของ readout ที่แตกต่างกัน

หากข้อนั้นเป็นจริง ผลได้ที่เกิดขึ้นไม่ใช่ข้อมูลและไม่ใช่ขนาด — แต่คือการที่การขอให้โมเดลปล่อยการแจกแจงความน่าจะเป็นเหนือตัวเลือกที่มีโครงสร้างนั้นเหมาะกับการตัดสินใจที่มีโครงสร้างมากกว่าการขอให้มันสร้างสตริงแล้วแยกวิเคราะห์สตริงนั้นกลับมาเป็นการตัดสินใจ นั่นคือการเดิมพันแบบเดียวกับที่ TypeSafe ทำกับ Jev 1.13 และตระกูล System One ของมัน ซึ่งขยายจากสถานะข้อความไปสู่วิดีโอ บทความระบุไว้อย่างชัดเจนว่ากำลังต่อยอดจากสายงานนั้น แทนที่จะประดิษฐ์หมวดหมู่นี้ขึ้นมาใหม่

รายละเอียดการนำไปใช้สองประการมีค่ามากกว่าตัวเลขในพาดหัวข่าว เพราะสิ่งเหล่านี้เองที่ทำให้มันใช้งานได้จริง ไม่ใช่แค่เร็วการอนุมานแบบแคชจะเข้ารหัสและทำ prefill วิดีโอเพียงครั้งเดียว แล้วให้คำถามที่เข้ามาแยกสาขาออกจากคำนำหน้าที่แคชไว้ — หนึ่ง forward pass ต่อหนึ่งคำถามการอนุมานแบบร่วมจะวางคำถามหลายข้อไว้เบื้องหลังคำนำหน้าวิดีโอเดียว และอ่านค่า <|decide|> แยกกันสำหรับแต่ละข้อ ดังนั้นกลุ่มคำถามหนึ่งกลุ่มจึงใช้ forward pass เพียงครั้งเดียว จากการทดสอบคำถาม grounding สิบข้อกับวิดีโอหนึ่งเรื่อง บทความนี้วัดได้ 0.39 วินาทีสำหรับ VideoJev เทียบกับ 5.98 วินาทีสำหรับเบสไลน์ Instruct ส่วนฝั่ง QA คำถามสิบข้อใช้เวลา 1.67 วินาที บทความยังตรวจสอบโหมดความล้มเหลวที่เห็นได้ชัดของการอนุมานแบบร่วม — ที่ว่าคำถามก่อนหน้าอาจรั่วคำตอบไปยังคำถามถัดไป — และรายงานว่าได้ตรวจสอบแล้วว่าไม่มีคำตอบอ้างอิงหรือคำตอบที่ทำนายไว้ถูกแทรกเข้าไปในคำนำหน้าที่ใช้ร่วมกัน เป็นที่น่าสังเกตว่าการตรวจสอบนี้เป็นการตรวจสอบโดยผู้เขียนเอง และการอนุมานแบบร่วมได้คะแนน ดีกว่าโหมดแคชแบบแยกเดี่ยว (65.3 เทียบกับ 64.5 mIoU ที่ 4B) ซึ่งพวกเขาอธิบายว่าเป็นเพราะการฝึกบนเลย์เอาต์แบบร่วมเดียวกัน

สิ่งที่บัตรไม่ได้บอกคุณ

มีสี่สิ่งที่ขาดหายไปอย่างเห็นได้ชัด และสิ่งเหล่านี้สำคัญยิ่งกว่าสิ่งใด ๆ ที่กล่าวมาข้างต้น หากคุณกำลังตัดสินใจว่านี่พร้อมสำหรับโปรดักชันหรือไม่

• ไม่เปิดเผยข้อมูลที่ใช้ฝึก รีโปนี้จัดทำเอกสารรูปแบบและให้เครื่องมือแก่คุณในการสร้าง JSONL ของคุณเอง แต่ไม่มีการระบุคลังข้อมูล ขนาด และที่มา คุณไม่สามารถประเมินการปนเปื้อนเทียบกับเบนช์มาร์กทั้งเจ็ดที่มันรายงานได้

• น้ำหนัก 35B เริ่มต้นที่ FP32 หน้าโปรเจกต์ระบุว่าใช้ FP32 สำหรับการอนุมานแบบ Cached และ BF16 สำหรับ Joint — ดังนั้นการกำหนดค่าหลักของโมเดลที่ใหญ่กว่าจึงเป็นแบบที่ใช้หน่วยความจำมากกว่า และหน้าเว็บไม่ได้ระบุตัวเลข VRAM สำหรับแบบใดเลย

• ความมั่นใจนั้นมั่นใจเกินจริง งานวิจัยรายงานค่าความคลาดเคลื่อนการปรับเทียบเฉลี่ยที่ 8.65 จุดสำหรับ 4B และ 8.13 สำหรับ 35B-A3B คะแนนนี้เป็นสัญญาณการจัดอันดับที่ใช้งานได้ ไม่ใช่ค่าความน่าจะเป็นที่คุณควรใช้ตัดสินใจแตกสาขาโดยไม่มีเกณฑ์ที่คุณปรับจูนด้วยตัวเอง

• ยังไม่มีใครตรวจสอบตัวเลขเหล่านี้อย่างเป็นอิสระ ตัวเลขทุกตัวที่นี่มาจากกลุ่มที่ฝึกโมเดล ขณะที่เขียนนี้ยังไม่มีการทำซ้ำผลโดยบุคคลที่สาม ไม่มีรายชื่อบนลีดเดอร์บอร์ด และยังไม่มีการรองรับจากเฟรมเวิร์กใด ๆ — เส้นทางการอินเฟอเรนซ์คือ trust_remote_code=True กับสถาปัตยกรรมแบบกำหนดเอง ซึ่งต้องใช้ PyTorch 2.8/CUDA 12.8 และ FlashAttention 2 เป็นอย่างน้อย

ประเด็นสุดท้ายนั้นขยายไปถึงโมเดลที่เล็กกว่าด้วย และมันขัดกับสมมติฐานที่เห็นได้ชัด VideoJev-4B คือตัวที่คุณน่าจะคาดว่าจะรันบนฮาร์ดแวร์ระดับกลาง ๆ และ quickstart ของการ์ดเองก็สมมติว่าใช้ H200 ที่ 2 fps พร้อมสูงสุด 2,048 เฟรม มีเดโมที่ถูกกว่า — คลิปสิบวินาที ช่วงเวลาตัวเลือกสิบช่วง ความน่าจะเป็นที่พิมพ์ออกมา — แต่ผลลัพธ์วิดีโอแบบยาวในเปเปอร์ใช้บริบทคงที่ 262,144 โทเคน โดยจำกัดเฟรมไว้ที่ 640×640 4B นั้นเล็กในแง่พารามิเตอร์ แต่ไม่จำเป็นว่าจะเล็กในแง่ต้นทุนการให้บริการ

ลองดูโดยไม่เดิมพันกับมัน

เนื่องจากเช็กพอยต์คือสิ่งที่มีอยู่จริง วิธีเริ่มต้นที่มีความเสี่ยงต่ำคือการรัน VideoJev บนเครื่องของคุณเองกับฟุตเทจของคุณ ก่อนที่คุณจะสร้างสิ่งใดบนมัน — เส้นทางเดโมคือการดาวน์โหลดและโค้ดสิบสองบรรทัด และกรณีล้มเหลวที่ตัวบทความเองบันทึกไว้ (การนับวัตถุขนาดเล็กบน Video-MME ซึ่งทั้งสองขนาดพลาดคำตอบเรื่องหนังสือสี่เล่ม) ก็เป็นกรณีที่คุณอยากพบเจอบนข้อมูลของคุณเองมากกว่าบน Charades VideoJev-4B และ VideoJev-35B-A3Bอยู่ภายใต้สัญญาอนุญาต Apache-2.0 ดังนั้นจึงไม่มีอะไรหยุดคุณได้

จุดที่ OrcaRouter เข้ามาเติมเต็มคืออีกครึ่งหนึ่งของเวิร์กโฟลว์ อินเทอร์เฟซสำหรับตัดสินใจเรื่องวิดีโอเป็นของหายากในตัวมันเอง สิ่งที่พบได้ทั่วไปคือไปป์ไลน์ที่ยังต้องมีโมเดลเชิงสร้างเพื่อเขียนสรุป ตัวจำแนกประเภทราคาถูกเพื่อคัดกรองการเรียกที่มีค่าใช้จ่ายสูง และมีอะไรบางอย่างสำหรับกำหนดเส้นทางระหว่างสองสิ่งนั้น OrcaRouter นำโมเดลกว่า 200 ตัวมาไว้เบื้องหลัง API เดียวโดยบวกเพิ่ม 0% — ราคาตามที่ผู้ให้บริการระบุถูกส่งผ่านโดยตรง ดังนั้นหากผู้ขายลดราคา ที่นี่ก็อัปเดตให้ทันทีในวันเดียวกัน — พร้อมด้วยการสลับไปใช้ผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดข้อขัดข้อง ภาษา DSL สำหรับกำหนดเส้นทางเพื่อประกอบหลายโมเดลให้เป็นการเรียกครั้งเดียว และการหลอมรวมโมเดลสำหรับคณะผู้ตัดสิน ไม่มีเช็กพอยต์ของ VideoJev ตัวใดถูกโฮสต์ไว้ที่นี่ และบทความนี้จะไม่เสแสร้งว่าเป็นอย่างอื่น สองจุดที่มันพิสูจน์คุณค่าของตัวเองคือการเป็นขาที่สองของไปป์ไลน์ที่ขาแรกเป็นโมเดลภายในเครื่อง และเป็นเหตุผลที่โมเดลวิจัยแบบนี้สามารถลองใช้ได้โดยไม่ต้องมีสัญญากับผู้ขายรายที่สองสำหรับทุกสิ่งรอบ ๆ ตัวมัน

อะไรจะทำให้เรื่องนี้เป็นข่าวที่ใหญ่ขึ้น

ด่านของชิ้นนี้สะอาดเป็นพิเศษ จึงควรพูดให้ตรงไปตรงมาว่า: VideoJev เป็นการเปิดตัวเชิงวิจัย ไม่ใช่การเปิดตัวผลิตภัณฑ์ ไม่มีบันทึกการเปลี่ยนแปลง ไม่มีหน้าราคา ไม่มีเอนด์พอยต์ที่โฮสต์ไว้ ไม่มีรายการรอ และไม่มีโพสต์บล็อกของผู้จำหน่าย สิ่งที่มีอยู่คือพรีพรินต์ที่ส่งเมื่อวันที่ 13 ตุลาคม 2026 เช็กพอยต์สองรายการภายใต้ Apache-2.0 ที่อัปโหลดเมื่อวันที่ 10 ตุลาคม และรีโพซิทอรีที่ยังถูกแก้ไขอยู่เมื่อวันที่ 14 ตุลาคม — วันก่อนบทความนี้ การไม่มีการประกาศไม่ใช่หลักฐานของปัญหา แต่ก็หมายความว่ากรอบการนำเสนอต้องเป็น "สิ่งที่อาร์ติแฟกต์บอก" ไม่ใช่ "สิ่งที่ผู้จำหน่ายอ้าง"

สามพัฒนาการจะเปลี่ยนรูปโฉมของเรื่องนี้ การประเมินโดยบุคคลที่สามที่ทำซ้ำผล增益 +6.7 และ +10.8 mIoU เทียบกับ backbone เดิมภายใต้โปรโตคอลเดียวกัน การนำไปใช้กับ vLLM หรือ SGLang ซึ่งจะย้ายมันจากของแปลก ๆ แบบ trust_remote_code ไปสู่สิ่งที่ให้บริการได้ที่ throughput จริง หรือ endpoint ที่มีคนโฮสต์ให้ ซึ่งจะทำให้ข้ออ้าง 100× กลายเป็นตัวเลขที่คุณวัดเองได้บนวิดีโอของคุณ แทนที่จะเป็นตัวเลขที่คุณหยิบมาจากตารางในหน้าหก จนกว่าหนึ่งในนั้นจะเกิดขึ้นจริง จุดยืนที่มีประโยชน์ก็คือจุดยืนที่ตัวบทความเองเลือกไว้ นั่นคือ อินเทอร์เฟซแบบ direct-scoring เป็นวิธีที่แตกต่างอย่างแท้จริงในการสร้างวิดีโอเอเจนต์ และหลักฐานที่รองรับมันในตอนนี้ก็คือ preprint เก้าหน้าของกลุ่มเดียวเท่านั้น

เปิดโน้ตบุ๊กเดโมค้างไว้ รันมันกับฟุตเทจที่ดูไม่เป็นคุณที่สุดเท่าที่คุณมี และให้ถือว่าคะแนนความมั่นใจเป็นเพียงการจัดอันดับไปก่อน จนกว่าคุณจะปรับเทียบมันด้วยตัวเอง

การเปิดตัวยังเป็นช่วงเวลาที่ต้องตรวจสอบว่าอะไรผิดพลาดไปก่อนหน้านี้: เหตุการณ์ด้าน AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งเกี่ยวข้องกับโมเดลในคลาสนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง