VideoJev：一款以數字而非句子作答的影片模型

VideoJev是一個從不寫出答案的影片理解模型系列。向它詢問某個事件的時間戳，它會回傳由已評分的候選時段所組裝而成的區間；向它詢問關於某部影片的選擇題，它會回傳得分最高的選項。已有兩個釋出的檢查點——VideoJev-4B 以 Qwen3.5-4B 為基礎，以及 VideoJev-35B-A3B 以 Qwen3.6-35B-A3B 為基礎——而且它們並未正式推出。沒有人發出新聞稿。一篇論文於 2026-10-13 出現在 arXiv，權重於 2026-10-10 上傳到 Hugging Face，而該儲存庫在四天後仍在整理中：截至 10 月 14 日，它還收到像是「以公開附件還原內嵌 README 影片」和「新增 arXiv 論文連結與官方 BibTeX 引用」這樣的提交。這就是靜默發布的樣子——產物真實且可供檢視，卻沒有任何公告告訴你作者認為什麼才重要。

以下所有內容都來自三個地方之一：arXiv 預印本（2610.18615，cs.CV，2026 年 10 月 13 日提交）、作者所發布的模型卡與程式碼，以及論文本身關於這些數字如何測量的註腳。我試著將這三者清楚分開，因為這次發布有趣的地方不在於那個標題數字——而是它腳下的根基有多薄弱。

論文實際主張的內容

VideoJev 採用一個預訓練的多模態 LLM，刪除最後的 MLP 與語言模型輸出頭，並在原位放入一個候選評分器。兩個新詞元 <|option_end|> 和 <|decide|> 會產生讀出值。決策狀態與每個候選狀態會被投影到 512 維、正規化，並彼此進行點積；時間區間以 sigmoid 評分並組裝成一個跨度，答案選項則以 softmax 評分並正規化。兩個任務都經過同一個頭部執行。不會以自迴歸方式解碼任何內容，因為沒有東西可解碼。

該論文的三項主要數據，全由供應商回報，且全部來自作者自己的評估測試框架：

• 定位品質 — VideoJev-4B 在三個時序定位基準上達到 65.3 的平均 mIoU，比其 Qwen3.5-4B 主幹高出 6.7 個百分點。VideoJev-35B-A3B 達到 67.7，比 Qwen3.6-35B-A3B 高出 10.8 個百分點。

• 無需推理也能達到同等問答表現 ——在四項影片問答基準測試中，這兩個模型的平均分數分別為 74.3 與 79.5，相較於各自在 Thinking 模式下的主幹模型，分別低了 0.6 分與高了 0.7 分。

• 延遲 — 在 grounding 上比那些主幹模型快 2.8–3.1 倍，在 QA 上則快超過 100 倍。QA 的實測數據為 4B 時 129 倍、35B-A3B 時 100 倍。

對速度宣稱最誠實的界定是：它是拿來和一個推理模型比較，而那個模型做的事遠比任務所需的困難得多。Qwen3.5-4B 在 Thinking 模式下於 LVBench 上每題耗費 144.9 秒，得分 74.9；VideoJev-4B 花 1.123 秒，得分 74.3。這個 129× 是根據論文自己的延遲表算出的真實算術，而且也是任何拒絕思考的模型都會得到的算術。有趣的問題不是這個加速是否真實——而是能否打造出一個系統，在其中那樣的取捨是正確的。

其背後的論點：決策，而非生成。

這比基準測試表格更耐人尋味的地方，在於其架構主張。作者在完全相同的後訓練資料上，以相同的單一階段、相同的設定，微調了一個一般的自迴歸式 Qwen3.5-4B，並讓它產生區間或以字母作答。論文中的表 3 指出，VideoJev-4B 在平均 grounding mIoU 上以 1.3 分、在平均 QA 分數上以 1.9 分勝過該對照組。兩個模型看到的監督完全相同；只有讀出形式不同。

如果這一點成立，收益不在於資料，也不在於規模——而在於要求模型對結構化候選項輸出機率分布，比要求它產生一個字串、再把該字串解析回一個決策，更適合結構化決策。那就是 TypeSafe 在Jev 1.13及其 System One 系列上所做的同一種押注，並從文字狀態推廣到影片。該論文明確表示，它是在這條研究路線上發展，而非發明這個類別。

有兩個實作細節比表面上的標題數字更值得關注，因為正是它們讓這套方法真正可用，而不只是快而已。快取推論會對影片進行一次編碼與預填充，並讓後續抵達的查詢從該快取前綴分支出去——每個查詢只需一次前向傳遞。聯合推論把多個查詢放在同一個影片前綴之後，並為每一個查詢分別讀出一個 <|decide|>，因此一整組問題總共只需一次前向傳遞。在以單一影片進行十個接地查詢時，論文測得 VideoJev 為 0.39 秒，而 Instruct 基線為 5.98 秒；在 QA 方面，十個查詢則只需 1.67 秒。論文也檢查了聯合推論顯而易見的失效模式——也就是較早的問題會把答案外洩到較晚的問題——並報告其已驗證沒有任何參考答案或預測答案被插入共用的前綴中。值得一提的是，這是作者自行進行的驗證，而且聯合推論的得分優於獨立的快取模式（在 4B 模型上為 65.3 對 64.5 mIoU），他們將此歸因於在相同的聯合配置上進行訓練。

這張卡不會告訴你的事

有四件事明顯缺席，而如果你正在判斷這是否已達到可正式上線的標準，它們比上述任何一點都更重要。

• 訓練資料並未公開。 該儲存庫說明了格式，並提供工具讓你建立自己的 JSONL，但語料庫本身、其規模與來源皆未說明。你無法針對它報告的七項基準測試評估資料污染情形。

• 35B 權重從 FP32 起跳。專案頁面指出，Cached 推論採用 FP32，而 Joint 採用 BF16——因此這個較大模型的主打配置，正是記憶體佔用較重的那一個，而頁面並未提供兩者任何一方的 VRAM 數字。

• 「信心」本身過度自信。該論文報告，4B 的平均校準誤差為 8.65 分，35B-A3B 則為 8.13 分。這個分數是可用的排名訊號，但除非你自行調校過閾值，否則不該把它當成可以據以分支的機率。

• 沒有人獨立驗證過這些數字。這裡的每一項數據都來自訓練這些模型的團隊。在撰寫本文時，尚無第三方複現、沒有排行榜紀錄，也沒有任何框架支援落地——推論路徑是對自訂架構使用 trust_remote_code=True，至少需要 PyTorch 2.8/CUDA 12.8 與 FlashAttention 2。

那個最後的論點也適用於較小的模型，而且它與顯而易見的假設相牴觸。VideoJev-4B 是你會預期能在一般硬體上運行的那一個，而模型卡本身的快速入門假設使用 H200、2 fps、最多 2,048 幀。有一個更便宜的示範——一段十秒短片、十個候選區間、列印出的機率——但論文中的長影片結果使用固定的 262,144 個 token 上下文，幀數上限為 640×640。4B 小的是參數量，未必是服務成本。

試試看，但不押注於它

由於真正存在的是檢查點，低風險的入門做法，是在你以它為基礎打造任何東西之前，先在本機用自己的影片素材跑一遍 VideoJev——示範流程不過是一次下載加上十幾行程式碼，而論文本身記載的那些失敗案例（在 Video-MME 上的小物件計數，兩種規模都漏掉了四本書的答案），正是你會希望在自家資料上、而非在 Charades 上遇到的。VideoJev-4B與VideoJev-35B-A3B皆採用 Apache-2.0，所以沒有什麼能阻止你。

OrcaRouter 的定位，正是工作流程的另一半。單獨存在的影片決策介面很罕見；常見的是一條管線，它同時需要生成式模型來撰寫摘要、需要便宜的分類器來把關昂貴的呼叫，還需要某個東西在兩者之間路由。OrcaRouter 把200+ 個模型收攏在同一個 API 之後，且 0% 加成——供應商定價原樣傳遞，所以廠商一降價，這裡當天就同步生效——並具備跨供應商的自動容錯移轉、能把多個模型組合成單次呼叫的路由 DSL，以及用於評測面板的模型融合。這裡不託管任何 VideoJev 檢查點，本文也不打算假裝不是如此；它真正派上用場的兩個地方，一是作為第一段為本地模型的管線的第二段，二是作為像這樣的研究模型之所以能被試用、而不必為其周邊一切再簽一份供應商合約的原因。

什麼會讓這件事變成更大的新聞

這篇文章的把關條件異常乾淨，因此值得直白說明：VideoJev 是研究發布，而非產品上市。沒有更新日誌、沒有定價頁面、沒有託管端點、沒有候補名單，也沒有廠商部落格貼文。實際存在的是：一份於 2026 年 10 月 13 日提交的預印本、兩個於 10 月 10 日上傳的 Apache-2.0 檢查點，以及一個在 14 日——也就是本文發表前一天——仍在編輯中的儲存庫。沒有發布公告並非問題的證據，但這確實意味著論述框架必須是「這些文件說了什麼」，而不是「廠商聲稱什麼」。

三項發展會改變這件事的格局。由第三方評估在相同協定下、針對相同主幹網路重現 +6.7 與 +10.8 mIoU 的增益。一個 vLLM 或 SGLang 實作，會把它從 trust_remote_code 的稀奇玩意兒，變成能以吞吐量提供服務的東西。或者由某方提供的託管端點，會讓 100× 這個說法成為你能在自己的影片上量測到的數字，而不是你從第六頁表格上抄下來的數字。在其中一項落地之前，有用的立場就是論文本身採取的立場：直接評分介面是一種真正不同的建構影片代理的方式，而目前支持它的證據只是某個團隊的九頁預印本。

讓示範筆記本保持開啟，拿你手邊最不討喜的影片素材來跑，並在你親自校準之前，把那些信心分數當成排名來看待。

發布也是檢查過去出了什麼問題的時機：與這類模型相關、已記錄在案的 AI 事故與代理失效，都彙整於 OrcaRouter AI Incident Archive，其中每筆條目都附有各自的來源、嚴重程度、信心等級與爭議標記。