VideoJev：统一视频理解与交互的 System One 模型，推理快 100 倍

MCG-NJU · hf · 2026-10-14

VideoJev 是一组将视频理解与交互建模为结构化决策任务的模型：把多模态大模型的自回归答案解码换成共享打分头，对时间区间和文本选项按视频证据打分，统一了时间定位与视频问答。为支持交互中不断到来的新查询，模型通过 Cached inference 复用视觉计算、Joint inference 单次前向处理多查询。VideoJev-4B 与 35B-A3B 在三个时间定位基准上 mIoU 较骨干分别提升 6.7 和 10.8 点，实测推理加速 2.8-3.1 倍；四个视频 QA 基准上性能与 Thinking 模式骨干相当，实测推理加速超过 100 倍。