VideoJev vs Jev 1.13: Cùng một ý tưởng, hai công việc khác nhau

Sự so sánh trông có vẻ hiển nhiên cho đến khi bạn thử viết nó ra. VideoJev là một bản phát hành nghiên cứu trọng số mở từ phòng thí nghiệm MCG của NJU, chấm điểm các khoảng thời gian và phương án trả lời dựa trên bằng chứng video, với hai checkpoint, VideoJev-4B và VideoJev-35B-A3B. Jev 1.13 là mô hình quyết định đóng, chạy trên máy chủ của TypeSafe AI — mô hình đã đặt tên cho hạng mục mà cả hai cùng nằm trong đó. Bài báo của chính VideoJev trích dẫn Jev là nguồn gốc của mô thức mà nó mở rộng, khiến điều này trông giống một cuộc đối đầu trực diện. Phần lớn thì không phải vậy. Jev 1.13 nhận trạng thái văn bản và trả về các quyết định có kiểu. VideoJev nhận video và trả về các khoảng thời gian được chấm điểm hoặc một lựa chọn đã chọn. Chúng trùng nhau ở ý tưởng và hầu như không trùng ở đầu vào, nên câu hỏi hữu ích không phải là "cái nào tốt hơn" mà là "cái nào thậm chí còn đủ điều kiện cho công việc bạn có."

Cả hai đều đến một cách lặng lẽ và gần đây, theo những cách khác nhau. Jev 1.13 ra mắt vào ngày 15/09/2026 — mô hình công khai đầu tiên của TypeSafe sau hai năm hoạt động kín đáo — và đã có thể gọi qua danh mục riêng của OrcaRouter tại typesafe/jev-1.13 kể từ ngày 24/09/2026. VideoJev hoàn toàn không có một buổi ra mắt nào: bản tiền in arXiv xuất hiện vào ngày 13/10/2026, hai checkpoint Apache-2.0 được đăng lên Hugging Face vào ngày 10/10/2026, và kho lưu trữ vẫn đang nhận các bản sửa README vào ngày 14/10/2026. Không cái nào trong số này là một câu chuyện ra mắt ở thời điểm hiện tại. Điều khiến sự kết hợp này đáng để đọc là chúng cùng một đặt cược kiến trúc được áp dụng cho hai kiểu dữ liệu khác nhau, và sự khác biệt trong cách mỗi mô hình được phân phối cho bạn biết phần lớn những gì bạn cần để quyết định.

Mỗi thứ một dòng, vì các bản tóm tắt phân kỳ nhanh.

Jev 1.13 là một endpoint được lưu trữ. Bạn POST một khối trạng thái và một tập hợp các câu hỏi có tên đến /v1/systemone và nhận lại một câu trả lời có kiểu cho mỗi câu hỏi — noul (đúng/sai với xác suất đã hiệu chỉnh), choice (một nhãn từ tối đa 255 tùy chọn), hoặc score (một mức trên thang điểm có thứ tự từ 2 đến 10). Không có gì được tạo ra, vì vậy không có token đầu ra và TypeSafe không tính phí; đầu vào là $0.042 mỗi triệu token. Kiến trúc, số lượng tham số và tính toán huấn luyện của nó không được tiết lộ. Đầu vào của nó chỉ là văn bản — chuỗi, JSON, mảng — không có đường dẫn hình ảnh, âm thanh hoặc video. Bạn không chạy nó; mỗi cuộc gọi đều được tính phí.

VideoJev là cách bố trí ngược lại. Đây là một checkpoint bạn tự tải xuống và tự phục vụ, theo giấy phép Apache-2.0, được xây dựng bằng cách tinh chỉnh một LLM đa phương thức sẵn có: VideoJev-4B trên Qwen3.5-4B, VideoJev-35B-A3B trên Qwen3.6-35B-A3B. Các tác giả loại bỏ MLP cuối cùng và đầu ra của mô hình ngôn ngữ rồi thay thế chúng bằng một bộ chấm điểm ứng viên, vì vậy mô hình không bao giờ viết câu trả lời — nó chấm điểm trực tiếp các khoảng ứng viên và câu trả lời ứng viên. Hai chế độ suy luận tổ chức nó: Suy luận có bộ nhớ đệm mã hóa video một lần và tách mỗi truy vấn mới ra từ tiền tố đó, còn Suy luận chung đặt một nhóm câu hỏi phía sau một tiền tố video và đọc tất cả chúng trong một lượt truyền xuôi duy nhất.

Những khía cạnh thực sự phân biệt chúng

• Phương thức đầu vào — video, ở 2 fps với các khung hình được giới hạn ở 640×640 đối với VideoJev, so với chỉ trạng thái văn bản đối với Jev 1.13.

• Một "quyết định" là gì — một khoảng thời gian tính bằng giây cộng với chỉ mục tùy chọn so với nhãn có kiểu, mức độ hoặc xác suất.

• Phân phối — trọng số Apache-2.0 tự host so với endpoint được host tính phí theo mức sử dụng.

• Giá — số giờ GPU của riêng bạn so với $0.042 mỗi triệu token đầu vào, với đầu ra được tính phí bằng 0.

• Chi phí của một truy vấn thứ hai trên cùng một ngữ cảnh — Toàn bộ bài toán thiết kế của VideoJev, được giải đáp bằng cách tái sử dụng prefix; Jev gửi lại state trong mỗi lần gọi, vì nó không có prefix cỡ video để khấu hao.

• Chi tiết đã công bố — một bản thảo trước chín trang với các bảng theo từng benchmark và các phép ablation so với việc không công bố kiến trúc, tham số hay quá trình huấn luyện.

• Nơi bạn có thể chạy nó — bất cứ đâu bạn có một GPU phù hợp, so với endpoint của TypeSafe và các gateway mang nó, bao gồm typesafe/jev-1.13 trên OrcaRouter.

Hãy để ý thứ không có trong danh sách đó: một benchmark chung. Không có gì mà cả hai mô hình đều đã được chấm điểm, bởi vì không có nhiệm vụ nào mà cả hai đều có thể chấp nhận. Bất kỳ bảng nào đặt chúng cạnh nhau đều là đang bịa ra một phép so sánh.

Nơi dòng dõi là thật, và nơi nó dừng lại

Khoản nợ trí tuệ được nói rõ chứ không phải được suy ra. Phần giới thiệu của VideoJev định hình đóng góp của nó như việc lấy tiền đề System One — rằng một mô hình có thể đưa ra một phán đoán có cấu trúc thay vì sinh token — và hỏi điều gì thay đổi khi thứ đang được phán đoán có một dòng thời gian. Câu trả lời của Jev cho “làm sao một mô hình quyết định mà không viết?” là một đầu chấm điểm trên một tập lựa chọn đã được khai báo. Câu trả lời của VideoJev cũng chính là đầu chấm điểm đó, nhưng hướng vào cả dấu thời gian lẫn nhãn.

Tiện ích mở rộng đó không phải là chuyện hình thức, và bài báo đặc biệt cụ thể về lý do tại sao. Khi ngữ cảnh nền là video, phần tốn kém nằm ở mã hóa thị giác, và một tác nhân đặt sáu câu hỏi về cùng một đoạn phim thì không nên phải trả giá cho nó sáu lần. Cả hai chế độ suy luận của VideoJev đều tồn tại để khắc phục điều đó, và các con số cho thấy chúng mang lại gì: với mười truy vấn grounding trên một video, VideoJev mất 0,39 giây so với 5,98 giây của một mô hình cơ sở Instruct; về phía hỏi đáp, mười truy vấn trong 1,67 giây. Jev không có tương đương vì trạng thái văn bản thì rẻ khi gửi lại — vấn đề Jev giải quyết là độ trễ quyết định trên mỗi lần gọi, còn vấn đề VideoJev giải quyết là độ trễ quyết định trên mỗi lần gọi sau lần đầu tiên.

Điểm dừng lại nằm ở phương thức. Tài liệu của chính TypeSafe nói rõ rằng đầu vào của System One là văn bản — “chuỗi, đối tượng JSON và mảng văn bản” — và rằng hình ảnh, âm thanh và video không được hỗ trợ. Vì vậy, hai mô hình không thể thay thế cho nhau trong bất kỳ tác vụ nào. Nếu trạng thái của bạn là một tài liệu, nhật ký trò chuyện hay một biểu mẫu gửi đi, VideoJev không thể tiếp nhận nó. Nếu câu hỏi của bạn là “người phụ nữ mặc đồ xanh ăn mì Ý vào lúc nào trong đoạn phim này,” thì Jev 1.13 cũng không thể tiếp nhận nó.

Những con số, và ai đã tạo ra chúng

Các số liệu nổi bật của VideoJev đến từ bộ khung đánh giá của chính các tác giả và chưa được tái lập một cách độc lập. VideoJev-4B đạt mIoU trung bình 65,3 trên ba benchmark grounding theo thời gian, cao hơn 6,7 điểm so với backbone Qwen3.5-4B của nó; VideoJev-35B-A3B đạt 67,7, cao hơn 10,8 điểm so với Qwen3.6-35B-A3B. Trên bốn benchmark video-QA, hai mô hình đạt mức trung bình lần lượt là 74,3 và 79,5, thấp hơn 0,6 điểm và cao hơn 0,7 điểm so với các backbone chế độ Thinking của chúng, với tốc độ 129× và 100×. Bài báo cũng thực hiện một so sánh có kiểm soát — một Qwen3.5-4B tự hồi quy thông thường được tinh chỉnh trên đúng cùng dữ liệu, cùng lịch trình — và VideoJev vượt qua nó với 1,3 điểm mIoU grounding và 1,9 điểm QA. Đối chứng đó là bằng chứng mạnh nhất trong bài báo, vì nó tách biệt hình dạng readout khỏi dữ liệu huấn luyện.

Có hai lưu ý quan trọng nếu bạn định dựa vào nó. Bài báo báo cáo sai số hiệu chuẩn trung bình là 8,65 điểm ở 4B và 8,13 ở 35B-A3B, nghĩa là các điểm số là một tín hiệu xếp hạng tốt nhưng là một xác suất kém — hãy coi 0,9 là “đứng đầu danh sách”, chứ không phải “90% khả năng xảy ra”. Và cấu hình nổi bật của checkpoint 35B là FP32, theo trang dự án, nên dấu chân bộ nhớ của mô hình lớn nặng hơn so với mức mà số lượng tham số gợi ý.

Các số liệu của Jev 1.13 cũng do nhà cung cấp công bố, nhưng chúng thuộc loại có thể kiểm chứng bằng cách gọi nó: mức cố định $0.042 cho mỗi triệu token đầu vào, chi phí đầu ra bằng không, và thời gian phản hồi đầu-cuối 70–500 ms. TypeSafe cũng thẳng thắn về việc tuyên bố nào là không thể bác bỏ và tuyên bố nào thì có thể, lưu ý rằng "không có lỗi kiểu" không thể bị bác bỏ bằng một phản ví dụ vì một giá trị nằm ngoài tập hợp đã khai báo của bạn không phải là giá trị mà mô hình có thể phát ra.

Nếu bạn cần cả hai, bạn có hai vấn đề về mua sắm

Đây là lúc sự khác biệt trong cách bàn giao không còn mang tính triết lý nữa. VideoJev xuất hiện dưới dạng một repo: PyTorch 2.8, CUDA 12.8, FlashAttention 2, trust_remote_code=True, và một quickstart giả định dùng H200 cho các cấu hình video dài. Hiện vẫn chưa có hỗ trợ vLLM hay SGLang, nên đây không phải là thứ bạn có thể đưa vào phục vụ với thông lượng mong muốn ngay ngày mai. Bạn đang nhận lấy một stack suy luận, chứ không phải một mối quan hệ với nhà cung cấp.

Jev 1.13 ra mắt dưới dạng một API key, và đây là chỗ duy nhất OrcaRouter thực sự liên quan trực tiếp: model này nằm trong danh mục của chúng tôi, nên nó dùng chung một key với phần generative của bất kỳ workflow nào bạn đang xây dựng — một API cho hơn 200 model, 0% markup (giá niêm yết của nhà cung cấp được chuyển nguyên vẹn, nên thay đổi giá của TypeSafe có hiệu lực ở đây ngay trong cùng ngày), tự động chuyển đổi dự phòng giữa các nhà cung cấp, và một DSL định tuyến nếu bạn muốn kết hợp nhiều model vào một lệnh gọi. VideoJev không được host ở đây và bài viết này sẽ không giả vờ điều ngược lại. Chạy nó nghĩa là tải trọng số Apache-2.0 về và tự dựng dịch vụ của riêng bạn; thứ chúng tôi gỡ khỏi tay bạn là mọi thứ xoay quanh nó — trình tóm tắt ghi lại kết quả, bộ phân loại rẻ hơn đóng vai trò cổng kiểm soát xem liệu cuộc gọi video có đáng thực hiện hay không, và phương án dự phòng khi một nhà cung cấp gặp trục trặc.

Quy tắc quyết định

Tóm tắt trung thực là hai thứ này giống như họ hàng với nhau, chứ không phải là đối thủ. Hãy chọn Jev 1.13 khi phán đoán là về văn bản, câu trả lời là một trong một tập hợp bạn khai báo trước, và bạn muốn người khác vận hành hạ tầng cùng công việc hiệu chỉnh. Hãy chọn VideoJev khi bằng chứng là video, câu trả lời là một mốc thời gian hoặc một lựa chọn trắc nghiệm, và bạn có GPU cùng sự sẵn lòng chạy một bản phát hành nghiên cứu chưa được tái lập — nhưng trước tiên hãy xem xét kỹ đoạn phim của chính bạn, vì bài báo tự ghi lại chế độ lỗi của nó (đếm vật thể nhỏ, nơi cả hai kích cỡ đều bỏ sót đáp án bốn cuốn sách) và của bạn sẽ khác.

Điều có thể thay đổi cục diện là một checkpoint thứ ba, chứ không phải một kẻ thắng cuộc. Không mô hình nào tiến gần tới một tác nhân thị giác tổng quát: Jev không thể nhìn, còn VideoJev chỉ có thể trả lời hai dạng câu hỏi mà nó đã được huấn luyện. Tin đáng chú ý sẽ là một bản phát hành VideoJev có nhánh văn bản, hoặc một bản phát hành Jev có thể nhận khung hình — đến lúc đó, hai dòng này sẽ hội tụ, và đây không còn là hai bài viết về hai mô thức nữa mà trở thành một bài viết về một cuộc đối đầu.

Một bản phát hành cũng là thời điểm để kiểm tra xem trước đây đã có gì sai sót: các sự cố AI và lỗi agent đã được ghi nhận liên quan đến những mô hình thuộc nhóm này đều được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều đi kèm nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.