VideoJev vs Jev 1.13: แนวคิดเดียวกัน สองหน้าที่ที่แตกต่างกัน

การเปรียบเทียบดูเหมือนชัดเจนจนกระทั่งคุณลองเขียนมันออกมา VideoJev คือผลงานวิจัยแบบเปิดน้ำหนักจากห้องแล็บ MCG ของ NJU ที่ให้คะแนนช่วงเวลาและตัวเลือกคำตอบเทียบกับหลักฐานวิดีโอ โดยมีสองเช็คพอยต์ VideoJev-4B และ VideoJev-35B-A3B Jev 1.13 คือโมเดลการตัดสินใจแบบปิดที่โฮสต์ให้บริการของ TypeSafe AI — โมเดลที่ตั้งชื่อหมวดหมู่ซึ่งทั้งสองอยู่ในนั้น งานวิจัยของ VideoJev เองอ้างอิง Jev ว่าเป็นต้นกำเนิดของกระบวนทัศน์ที่มันต่อยอด ซึ่งทำให้เรื่องนี้ดูเหมือนเป็นการเผชิญหน้าแบบตรง ๆ แต่ส่วนใหญ่แล้วไม่ใช่ Jev 1.13 รับสถานะข้อความแล้วคืนการตัดสินใจแบบมีชนิด VideoJev รับวิดีโอแล้วคืนช่วงเวลาที่ให้คะแนนหรือตัวเลือกที่เลือก ทั้งสองทับซ้อนกันในแง่แนวคิดและแทบไม่ทับซ้อนกันเลยในแง่ข้อมูลนำเข้า ดังนั้นคำถามที่มีประโยชน์จึงไม่ใช่ "อันไหนดีกว่า" แต่เป็น "อันไหนกันแน่ที่มีคุณสมบัติเหมาะสมกับงานที่คุณมี"

ทั้งคู่มาถึงอย่างเงียบ ๆ และเมื่อไม่นานมานี้ ด้วยวิธีที่แตกต่างกัน Jev 1.13 เปิดตัวเมื่อ 2026-09-15 — โมเดลสาธารณะตัวแรกของ TypeSafe หลังจากอยู่ในโหมดลับมาสองปี — และสามารถเรียกใช้งานได้ผ่านแคตตาล็อกของ OrcaRouter เองที่ typesafe/jev-1.13 ตั้งแต่ 2026-09-24 VideoJev ไม่มีการเปิดตัวเลย: พรีพรินต์บน arXiv ปรากฏเมื่อ 2026-10-13 เช็กพอยต์ Apache-2.0 สองตัวถูกอัปโหลดขึ้นบน Hugging Face เมื่อ 2026-10-10 และที่เก็บโค้ดยังคงได้รับการแก้ไข README อยู่ ณ วันที่ 2026-10-14 ทั้งคู่ไม่ใช่เรื่องราวการเปิดตัวในตอนนี้ สิ่งที่ทำให้การจับคู่นี้น่าอ่านก็คือ พวกมันเป็นการเดิมพันเชิงสถาปัตยกรรมแบบเดียวกันที่นำไปใช้กับข้อมูลสองประเภทที่แตกต่างกัน และความแตกต่างในวิธีการส่งมอบของแต่ละตัวบอกคุณเกือบทุกอย่างที่คุณต้องใช้ในการตัดสินใจ

อันละหนึ่งบรรทัด เพราะบทสรุปแยกทางกันเร็ว

Jev 1.13 เป็นเอนด์พอยต์แบบโฮสต์ คุณ POST บล็อกของสถานะและชุดคำถามที่มีชื่อไปยัง /v1/systemone แล้วได้คำตอบแบบมีชนิดกลับมาหนึ่งรายการต่อคำถาม — noul (ค่าจริง/เท็จพร้อมความน่าจะเป็นที่ปรับเทียบแล้ว), choice (หนึ่งป้ายกำกับจากตัวเลือกไม่เกิน 255 รายการ) หรือ score (ระดับบนสเกลแบบเรียงลำดับ 2 ถึง 10) ไม่มีอะไรถูกสร้างขึ้น จึงไม่มีโทเคนเอาต์พุต และ TypeSafe ไม่คิดค่าบริการใด ๆ; อินพุตราคา $0.042 ต่อล้านโทเคน สถาปัตยกรรม จำนวนพารามิเตอร์ และคอมพิวต์ที่ใช้ฝึกอบรมไม่เปิดเผย อินพุตของมันเป็นข้อความเท่านั้น — สตริง, JSON, อาร์เรย์ — ไม่มีช่องทางสำหรับภาพ เสียง หรือวิดีโอ คุณไม่ได้รันมัน; ทุกการเรียกมีการคิดค่าบริการตามปริมาณการใช้งาน

VideoJev เป็นรูปแบบที่ตรงกันข้าม มันเป็นเช็กพอยต์ที่คุณดาวน์โหลดและให้บริการด้วยตนเอง ภายใต้สัญญาอนุญาต Apache-2.0 สร้างขึ้นโดยการไฟน์ทูน LLM แบบมัลติโมดัลที่มีอยู่: VideoJev-4B บน Qwen3.5-4B, VideoJev-35B-A3B บน Qwen3.6-35B-A3B ผู้เขียนได้ถอด MLP ชั้นสุดท้ายและส่วนหัวเอาต์พุตของโมเดลภาษาออก และแทนที่ด้วยตัวให้คะแนนสำหรับตัวเลือก ดังนั้นโมเดลจึงไม่เขียนคำตอบ — แต่ให้คะแนนช่วงเวลาและคำตอบที่เป็นตัวเลือกโดยตรง โหมดการอนุมานสองแบบจัดระเบียบมัน: การอนุมานแบบแคช เข้ารหัสวิดีโอเพียงครั้งเดียวและแยกคำถามใหม่แต่ละรายการออกจากคำนำหน้านั้น และ การอนุมานร่วม วางกลุ่มคำถามไว้หลังคำนำหน้าวิดีโอชุดเดียว และอ่านคำถามเหล่านั้นทั้งหมดออกมาในการส่งผ่านไปข้างหน้าครั้งเดียว

มิติที่แยกพวกเขาออกจากกันจริง ๆ

• รูปแบบอินพุต — วิดีโอ ที่ 2 fps โดยจำกัดเฟรมไว้ที่ 640×640 สำหรับ VideoJev เทียบกับสถานะข้อความเท่านั้นสำหรับ Jev 1.13

• “การตัดสินใจ” คืออะไร — ช่วงเวลาเป็นวินาทีบวกกับดัชนีตัวเลือก เทียบกับป้ายกำกับที่พิมพ์ ระดับ หรือความน่าจะเป็น

• การส่งมอบ — เวต Apache-2.0 แบบโฮสต์เอง เทียบกับปลายทางที่โฮสต์แบบคิดค่าตามการใช้งาน

• ราคา — ชั่วโมง GPU ของคุณเอง เทียบกับ $0.042 ต่อล้านโทเคนอินพุต โดยคิดค่าเอาต์พุตเป็นศูนย์

• ค่าใช้จ่ายของการคิวรีครั้งที่สองบนบริบทเดียวกัน — ปัญหาการออกแบบทั้งหมดของ VideoJev ได้รับคำตอบจากการนำ prefix กลับมาใช้ซ้ำ; Jev ส่งสถานะซ้ำใหม่ทุกครั้งที่เรียก เนื่องจากไม่มี prefix ขนาดเท่าวิดีโอให้เฉลี่ยต้นทุน

• รายละเอียดที่เผยแพร่ — ปรีพรินต์เก้าหน้าพร้อมตารางแยกตามเกณฑ์มาตรฐานและการทดสอบ ablation เทียบกับกรณีที่ไม่เปิดเผยสถาปัตยกรรม พารามิเตอร์ หรือการฝึกโมเดล

• คุณสามารถรันมันได้ที่ไหน — ทุกที่ที่คุณมี GPU ที่เหมาะสม เทียบกับเอนด์พอยต์ของ TypeSafe และเกตเวย์ที่ให้บริการมัน รวมถึง typesafe/jev-1.13 บน OrcaRouter

สังเกตสิ่งที่ไม่อยู่ในรายการนั้น: เกณฑ์มาตรฐานร่วมกัน ไม่มีสิ่งใดที่ทั้งสองโมเดลได้รับการให้คะแนน เพราะไม่มีงานใดที่ทั้งสองยอมรับได้ ตารางใดก็ตามที่นำ它們มาเปรียบเทียบเคียงข้างกันจะเป็นการสร้างการเปรียบเทียบขึ้นมาเอง

ที่ใดที่เชื้อสายเป็นของจริง และที่ใดที่มันสิ้นสุด

หนี้ทางปัญญานั้นระบุไว้อย่างชัดแจ้งมากกว่าจะต้องอนุมาน บทนำของ VideoJev วางกรอบผลงานของตนว่าเป็นการนำสมมติฐานของ System One — ที่ว่าแบบจำลองสามารถส่งคำตัดสินเชิงโครงสร้างออกมาแทนที่จะสร้างโทเคน — มาใช้ แล้วถามว่ามีอะไรเปลี่ยนไปเมื่อสิ่งที่ถูกตัดสินมีไทม์ไลน์ คำตอบของ Jev ต่อ "แบบจำลองตัดสินใจโดยไม่ต้องเขียนได้อย่างไร?" คือหัวให้คะแนนเหนือชุดตัวเลือกที่ประกาศไว้ คำตอบของ VideoJev คือหัวให้คะแนนเดียวกันที่เล็งไปที่ทั้งการประทับเวลาและป้ายกำกับ

ส่วนขยายนั้นไม่ใช่เรื่องผิวเผิน และบทความก็ระบุเหตุผลไว้เฉพาะเจาะจงอย่างผิดปกติ เมื่อบริบทพื้นฐานเป็นวิดีโอ ส่วนที่มีค่าใช้จ่ายสูงคือการเข้ารหัสภาพ และเอเจนต์ที่ถามคำถามหกข้อเกี่ยวกับฟุตเทจเดียวกันไม่ควรต้องจ่ายสำหรับมันถึงหกครั้ง โหมดการอนุมานทั้งสองของ VideoJev มีอยู่เพื่อแก้ปัญหานั้น และตัวเลขก็แสดงให้เห็นว่ามันให้อะไร: จากการสืบค้นแบบ grounding สิบครั้งกับวิดีโอหนึ่งเรื่อง VideoJev ใช้ 0.39 วินาที เทียบกับ 5.98 วินาทีสำหรับ baseline แบบ Instruct; ทางด้าน QA สิบคำถามใช้เวลา 1.67 วินาที Jev ไม่มีสิ่งที่เทียบเท่าเพราะสถานะข้อความนั้นส่งซ้ำได้ในราคาถูก — ปัญหาที่ Jev แก้คือความหน่วงในการตัดสินใจต่อการเรียก และปัญหาที่ VideoJev แก้คือความหน่วงในการตัดสินใจ ต่อการเรียกหลังจากครั้งแรก.

จุดที่ไปต่อไม่ได้คือโมดาลิตี เอกสารของ TypeSafe เองระบุไว้อย่างชัดเจนว่าอินพุตของ System One เป็นข้อความ — "สตริง ออบเจ็กต์ JSON และอาร์เรย์ของข้อความ" — และไม่รองรับรูปภาพ เสียง และวิดีโอ ดังนั้นโมเดลทั้งสองจึงใช้แทนกันไม่ได้ในงานใด ๆ หากสถานะของคุณเป็นเอกสาร บันทึกแชต หรือการส่งแบบฟอร์ม VideoJev จะรับไม่ได้ หากคำถามของคุณคือ "ในฟุตเทจนี้ ผู้หญิงในชุดเขียวกินพาสต้าตอนไหน" Jev 1.13 ก็รับไม่ได้เช่นกัน

ตัวเลข และใครเป็นผู้สร้างมันขึ้นมา

ตัวเลขพาดหัวของ VideoJev มาจากฮาร์เนสของผู้เขียนเอง และยังไม่ได้รับการทำซ้ำอย่างอิสระ VideoJev-4B ทำค่าเฉลี่ย mIoU ได้ 65.3 ในสามเบนช์มาร์ก temporal grounding ซึ่งสูงกว่าแบ็กโบน Qwen3.5-4B ของมัน 6.7 จุด; VideoJev-35B-A3B ทำได้ 67.7 สูงกว่า Qwen3.6-35B-A3B 10.8 จุด บนสี่เบนช์มาร์ก video-QA ทั้งสองทำได้ค่าเฉลี่ย 74.3 และ 79.5 โดยต่ำกว่าแบ็กโบนโหมด Thinking ของตน 0.6 จุด และสูงกว่า 0.7 จุด ตามลำดับ ด้วยความเร็ว 129× และ 100× เปเปอร์ยังทำการเปรียบเทียบแบบควบคุม — Qwen3.5-4B แบบ autoregressive ธรรมดาที่ไฟน์จูนบนข้อมูลชุดเดียวกันทุกประการ ตารางเวลาเดียวกัน — และ VideoJev ชนะมันอยู่ 1.3 จุดของ grounding mIoU และ 1.9 จุดของคะแนน QA การควบคุมนี้เป็นหลักฐานที่แข็งแกร่งที่สุดในเปเปอร์ เพราะมันแยกปัจจัยด้านรูปแบบการอ่านผลออกจากข้อมูลฝึก

มีข้อควรระวังสองประการที่สำคัญ หากคุณวางแผนจะพึ่งพามัน บทความรายงานค่าความคลาดเคลื่อนการคาลิเบรตเฉลี่ยที่ 8.65 จุดที่ขนาด 4B และ 8.13 ที่ 35B-A3B ซึ่งหมายความว่าคะแนนเหล่านี้เป็นสัญญาณการจัดอันดับที่ดี แต่เป็นค่าความน่าจะเป็นที่แย่ — ให้ถือว่า 0.9 คือ "อันดับต้นของรายการ" ไม่ใช่ "มีโอกาส 90%" และคอนฟิกูเรชันหลักของเช็กพอยต์ 35B คือ FP32 ตามที่ระบุในหน้าโปรเจกต์ ดังนั้นปริมาณหน่วยความจำที่โมเดลขนาดใหญ่ใช้จึงมากกว่าที่จำนวนพารามิเตอร์บ่งชี้

ตัวเลขของ Jev 1.13 ก็เผยแพร่โดยผู้ขายเช่นกัน แต่เป็นประเภทที่ตรวจสอบได้โดยการเรียกใช้งานจริง: ราคาคงที่ $0.042 ต่อโทเคนอินพุตหนึ่งล้านโทเคน ค่าเอาต์พุตเป็นศูนย์ และเวลาตอบสนองแบบ end-to-end 70–500 มิลลิวินาที TypeSafe ยังตรงไปตรงมาเกี่ยวกับข้อกล่าวอ้างใดที่ไม่อาจหักล้างได้และข้อใดที่หักล้างได้ โดยระบุว่า “ไม่มีข้อผิดพลาดด้านชนิดข้อมูล” ไม่สามารถหักล้างได้ด้วยตัวอย่างค้าน เพราะค่าที่อยู่นอกเซตที่คุณประกาศไว้ไม่ใช่ค่าที่โมเดลสามารถส่งออกได้

ถ้าคุณต้องการทั้งสองอย่าง คุณก็มีปัญหาการจัดซื้อสองข้อ

นี่คือจุดที่ความแตกต่างในการส่งมอบไม่ใช่เรื่องปรัชญาอีกต่อไป VideoJev มาในรูปแบบรีโป: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True และคู่มือเริ่มต้นอย่างรวดเร็วที่สมมติว่ามี H200 สำหรับการตั้งค่าวิดีโอยาว ยังไม่มีการรองรับ vLLM หรือ SGLang ดังนั้นจึงไม่ใช่สิ่งที่คุณจะนำไปให้บริการด้วยอัตราการประมวลผลสูงได้ในทันที คุณกำลังรับสแตกการอนุมาน ไม่ใช่ความสัมพันธ์กับผู้ขาย

Jev 1.13 มาในรูปแบบ API key และนี่คือจุดเดียวที่ OrcaRouter เกี่ยวข้องโดยตรง: โมเดลนี้อยู่ในแคตตาล็อกของเรา จึงอยู่บนคีย์เดียวกับครึ่งที่เป็น generative ของเวิร์กโฟลว์ใดก็ตามที่คุณกำลังสร้าง — API เดียวสำหรับโมเดล 200+ ตัว ไม่บวกกำไร 0% (ราคาตามที่ผู้ให้บริการประกาศไว้ ส่งผ่านตรง ๆ ดังนั้นถ้า TypeSafe เปลี่ยนราคา ที่นี่ก็อัปเดตในวันเดียวกัน) สลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดปัญหา และมี routing DSL หากคุณต้องการประกอบหลายโมเดลให้เป็นการเรียกครั้งเดียว VideoJev ไม่ได้โฮสต์อยู่ที่นี่ และบทความนี้จะไม่แสร้งทำเป็นอย่างอื่น การรันมันหมายถึงการดาวน์โหลดเวต Apache-2.0 และตั้งบริการของคุณเองขึ้นมา สิ่งที่เราช่วยแบ่งเบาคือทุกอย่างรอบ ๆ มัน — ตัวสรุปที่เขียนผลลัพธ์ขึ้นมา ตัวจำแนกประเภทที่ถูกกว่าซึ่งคอยกำหนดว่าการเรียกวิดีโอนั้นคุ้มค่าที่จะทำหรือไม่ และระบบสำรองเมื่อผู้ให้บริการมีปัญหาสะดุด

กฎการตัดสินใจ

สรุปตามตรงคือสองตัวนี้มีความคล้ายคลึงแบบคนในครอบครัว ไม่ใช่การแข่งขัน เลือก Jev 1.13 เมื่อการตัดสินอยู่บนข้อความ คำตอบคือหนึ่งในชุดที่คุณประกาศไว้ล่วงหน้า และคุณต้องการให้คนอื่นดูแลโครงสร้างพื้นฐานและงานสอบเทียบ เลือก VideoJev เมื่อหลักฐานเป็นวิดีโอ คำตอบคือการประทับเวลาหรือตัวเลือกแบบปรนัย และคุณมี GPU กับความกระตือรือร้นที่จะรันรีลีสงานวิจัยที่ยังไม่มีการทำซ้ำ — พร้อมตรวจฟุตเทจของคุณเองอย่างจริงจังก่อน เนื่องจากบทความบันทึกโหมดความล้มเหลวของตัวเองไว้ (การนับวัตถุขนาดเล็ก ซึ่งทั้งสองขนาดพลาดคำตอบที่เป็นหนังสือสี่เล่ม) และของคุณจะแตกต่างออกไป

สิ่งที่เปลี่ยนภาพรวมได้คือเช็กพอยต์ที่สาม ไม่ใช่ผู้ชนะ ไม่มีโมเดลใดใกล้เคียงกับเอเจนต์ภาพทั่วไปเลย: Jev มองไม่เห็น และ VideoJev ตอบได้เพียงรูปแบบคำถามสองแบบที่มันถูกฝึกมา ข่าวที่น่าสนใจคือการเปิดตัว VideoJev ที่มีเส้นทางข้อความ หรือการเปิดตัว Jev ที่รับเฟรมได้ — เมื่อถึงจุดนั้น สองเส้นทางนี้จะมาบรรจบกัน และสิ่งนี้จะไม่ใช่บทความสองชิ้นเกี่ยวกับสองกระบวนทัศน์อีกต่อไป แต่จะกลายเป็นบทความหนึ่งชิ้นเกี่ยวกับการต่อสู้

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