VideoJev：面向视频理解与交互的 System One 模型

VideoJev 将视频理解与交互建模为结构化决策任务，用共享打分头替代自回归解码，统一时间定位与多选视频问答。VideoJev-4B 和 VideoJev-35B-A3B 在三个时间定位基准上平均 mIoU 较各自骨干提升 6.7 和 10.8 分，推理提速 2.8-3.1 倍；在四个视频 QA 基准上 Thinking 模式性能与骨干相当，推理提速超 100 倍。