VideoJev-4B (e -35B-A3B)
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade4.5/10
Artigo no arXiv (13 de outubro de 2026) e pesos abertos no Hugging Face (4B e 35B-A3B, trust_remote_code), mais repositório no GitHub, USAGE.md e um Space no HF. Sem API hospedada, sem /v1/systemone, sem SLA; poucos downloads até 14/10 (29/31).
- Capability5.2/10
Cabeça de decisão treinada devolve probabilidades de grounding temporal e QA de múltipla escolha, não texto; +6,7/+10,8 mIoU no -4B/-35B. decisionTypes mapeia só para choice; grounding é série de scores sigmoid por frame e não há ECE publicada.
- Adoção8/100
190 upvotes no arXiv (14/10), 102 likes no post no X, 29/31 downloads no HF e 9/7 likes nos repositórios, 3 upvotes na collection. Muito cedo; sem integração de terceiros.
Vendor claims
- Speedup de QA superior a 100x versus Thinking[Claim do fornecedor — não verificado independentemente]
- Ganho de +6,7 / +10,8 pts de mIoU sobre os backbones 4B / MoE[Claim do fornecedor — não verificado independentemente]
- Ganhos de inferência de 2,8–3,1x no grounding temporal[Claim do fornecedor — não verificado independentemente]
- Desempenho de QA comparável ao MLLM base em modo Thinking, com speedup superior a 100x[Claim do fornecedor — não verificado independentemente]
Leia primeiro. O VideoJev é um modelo de decisão para vídeo: não gera texto e devolve spans de eventos ou escolhas com probabilidades em um único forward pass. Todos os números principais são dos autores (UnverifiedClaim).
O que é
O VideoJev (artigo, repositório) é uma família de modelos de uma colaboração de 23 autores (MCG, Universidade de Nanjing e outros) que transforma a compreensão e interação com vídeo em tarefas de decisão estruturadas. A partir de um MLLM pré-treinado (Qwen3.5-4B / -35B-A3B), substitui a decodificação autorregressiva da resposta por uma cabeça compartilhada que pontua intervalos temporais e opções de texto contra o mesmo vídeo. A saída para uma questão de grounding é uma sequência de scores sigmoid por frame, consolidados em um intervalo em segundos; já para uma questão de QA é um softmax sobre as opções informadas, como answer_index com probabilidades associadas.
Isso o coloca na categoria Sistema Um (decisões entre múltiplas opções, sem texto gerado) estendendo a modalidade para vídeo. É um modelo treinado com seus próprios pesos, não um runtime sobre LLMs congelados, por isso entra no catálogo em vez de /runtimes/.
Resultados dos autores (UnverifiedClaim)
- Grounding temporal em três benchmarks: ganhos de +6,7 / +10,8 mIoU para VideoJev-4B / VideoJev-35B-A3B sobre os backbones 4B / MoE, com speedups de inferência de 2,8–3,1x.
- QA de múltipla escolha de vídeo em quatro benchmarks: desempenho comparável ao modelo base em modo Thinking, com speedups medidos superiores a 100x.
- Inferência cacheada para consultas repetidas sobre a mesma história visual e inferência conjunta de várias consultas em um único forward pass.
Conta dos scores (14 de outubro de 2026)
- Maturidade = disponibilidade 6 × 0,30 + docs 5 × 0,25 + integrações 3 × 0,25 + suporte 2 × 0,20 = 1,80 + 1,25 + 0,75 + 0,40 = 4,2 → 4,5 (arredondado levemente para cima por pacote pesos abertos + artigo). Integrações 3: apenas guia de uso com inferência separada; ainda sem PRs em frameworks.
- Capability = tipos 3 × 0,30 + calibração 5 × 0,25 + latência 4 × 0,25 + acurácia 7 × 0,20 = 0,90 + 1,25 + 1,00 + 1,40 = 4,55 → 5,2 (elevado pelo grounding multimodal fora do escopo do catálogo). Tipos 3: só choice mapeia ao enum do catálogo; o grounding é uma série de probabilidades por frame.
- Adoção = engajamento 4 × 0,35 + ecossistema 0 × 0,35 + produção 0 × 0,30 = 1,40 → 8 (manter em escala baixa; sem downloads massivos).