【Jev】VideoJev: System One Model for Video Understanding and Interaction

note

VideoJev：Qwen3.5 + Scoring Head + 两阶段多任务 SFT + 视频 KV Cache 复用
VideoJev 把传统视频大模型的「生成式问答」，改成了「直接对候选答案或视频时间位置打分」，并通过视频缓存和多 Query 联合推理降低时延。它比一般的 Yes/No Decision 模型更值得关注的一点是：把视频时间定位（Temporal Grounding）和视频多选问答（Video QA）统一成同一种候选评分机制。
三个贡献：
- 任务统一：用共享 Scoring Head 同时处理时间定位和视频多选问答，而不只是普通分类。
- 视频计算复用：通过 Cached / Joint Inference 解决同一视频被反复提问的计算浪费。
- 针对视频时序定位的训练设计：BCE + SoftIoU，兼顾逐时间位置判断与完整事件区间。
研究动机：传统 Video-LLM 依赖自回归生成答案，存在推理时延高、重复处理视频等问题。
核心方法：
- 统一决策架构：基于 Qwen3.5 增加 PointerHead（两个 Linear + QK 点积），将视频时间定位和多选问答统一为 Query-Candidate 匹配打分。
- 两阶段训练：先冻结 Backbone 训练 Head，再联合微调语言 Backbone；时间定位采用 BCE + SoftIoU，多选问答采用 CE。
- 高效推理：支持视频 KV Cache 复用及多 Query 联合推理，避免重复编码与自回归生成。
实验结果：相同训练数据下，相比 Qwen3.5 AR SFT，视频问答准确率由 72.8% 提升至 74.7%，时间定位 mIoU 由 64.1 提升至 65.4。

文章目录

note
- 一、研究动机
- 二、论文核心
- - [1. 统一架构：共享打分头](#1. 统一架构：共享打分头)
  - [2. 时序定位：从"选区间"到"拼片段"](#2. 时序定位：从"选区间"到"拼片段")
  - [3. 消除位置偏见](#3. 消除位置偏见)
  - [4. 可复用的视觉计算（本文效率核心）](#4. 可复用的视觉计算（本文效率核心）)
  - [5. 训练方案](#5. 训练方案)
- 三、实验结果
- - [时序定位（3 个 benchmark）](#时序定位（3 个 benchmark）)
  - [多选视频问答（4 个 benchmark）](#多选视频问答（4 个 benchmark）)
  - [与自回归微调的受控对比（相同数据 + 相同设置）](#与自回归微调的受控对比（相同数据 + 相同设置）)
- 四、分析

一、研究动机

VideoJev: System One Model for Video Understanding and Interaction

⚡️首个视频理解Jev模型，大幅度提高精度的同时提速3-100倍

🔗https://huggingface.co/papers/2610.18615

🌟https://github.com/MCG-NJU/VideoJEV

概括：VideoJev 把"看视频做决策"这件事，从"逐字生成答案"改成了"直接给选项打分"，让视觉智能体既能理解语义，又能毫秒级响应。

视觉智能体的核心痛点不是"看不懂"，而是"反应慢"。

现有方案存在一条难以弥合的鸿沟：

路线	优势	致命短板
判别式视觉模型	预测高效	依赖任务特定的模型设计、标签空间固定
视频多模态大模型（MLLM）	语义理解广、语言接口灵活	决策必须靠逐 token 自回归生成------生成时间戳或答案文本，哪怕最终输出只是一个紧凑的结构化选择

而智能体交互的真实场景是：同一个视频，连续追问。一个做饭助手要先确认"盐加了没"，再决定"下一步加什么"。每一次追问都重新编码视频、重新生成一遍，计算浪费极其严重。

这正是 System One 范式的用武之地------Jev 已经证明，可以输出"类型化的概率判断"供软件直接使用，无需逐 token 生成。但 Jev 面向的是图像，视频还多了一层要求：时间结构 ，以及跨查询共享昂贵的视觉上下文。

核心洞察：把视频理解统一成"结构化判断"（structured judgment），就能在不牺牲语义灵活性的前提下，获得高效、可复用的决策接口。

二、论文核心

VideoJev 围绕两条原则构建：直接候选打分 + 可复用的视觉计算。

1. 统一架构：共享打分头

关键改造（对预训练 MLLM 动刀）：

删掉最后的 MLP 层和语言模型输出头
新增两个特殊 token：<|option_end|>（候选读出）和 <|decide|>（查询级决策读出），初始化自 <|im_end|>
两个线性投影把隐状态映射到 512 维并归一化，用余弦相似度算 logit：

s i = 10 u ⊤ v i + b s_i = 10 \, u^\top v_i + b si=10u⊤vi+b

固定缩放系数 10 + 可学习偏置 b，控制输出 logit 的量级。

一个头，两种任务，靠候选与输出规则区分：

任务	候选	监督方式	输出
时序定位（Temporal Grounding）	时间戳文本区间	多标签二分类 BCE + 软 IoU 损失	解码出连续事件片段
多选视频问答（Video QA）	答案文本选项	交叉熵（softmax）	最高概率选项

对应头的代码：

python 复制代码

class PointerHead(nn.Module):
    """One query/key similarity per native two-frame temporal group."""
    def __init__(self, hidden, dimension=256, head_norm='none', *,
                 similarity='dot_product', logit_scale=10.0):
        super().__init__()
        if head_norm not in ('none', 'layernorm'):
            raise ValueError('Unknown pointer head normalization')
        if similarity not in ('dot_product', 'cosine'):
            raise ValueError('Unknown pointer head similarity')
        if not math.isfinite(logit_scale) or logit_scale <= 0:
            raise ValueError('Pointer head logit scale must be finite and positive')
        self.similarity = similarity
        self.head_norm = head_norm
        self.q = nn.Linear(hidden, dimension)
        self.k = nn.Linear(hidden, dimension)
        self.bias = nn.Parameter(torch.zeros(()))
        self.dimension = dimension
        self.scale = dimension ** -.5 if similarity == 'dot_product' else float(logit_scale)
        nn.init.normal_(self.q.weight, std=.005)
        nn.init.normal_(self.k.weight, std=.005)
        nn.init.zeros_(self.q.bias)
        nn.init.zeros_(self.k.bias)
        # Keep the historical initialization/RNG order and state keys unchanged
        # when disabled. Each branch has its own learnable affine parameters.
        if head_norm == 'layernorm':
            self.q_norm = nn.LayerNorm(hidden, eps=1e-5, elementwise_affine=True)
            self.k_norm = nn.LayerNorm(hidden, eps=1e-5, elementwise_affine=True)

    def forward(self, pairs, query):
        # FP32 scoring, including under AMP.
        if self.head_norm == 'layernorm':
            keys = self.k(self.k_norm(pairs.float()))
            q = self.q(self.q_norm(query.float()))
        else:
            keys = self.k(pairs.float())
            q = self.q(query.float())
        if self.similarity == 'cosine':
            # Normalize the projected vectors, not the incoming LLM features.
            # The scale is fixed; the existing scalar bias remains trainable.
            keys = nn.functional.normalize(keys, dim=-1, eps=1e-6)
            q = nn.functional.normalize(q, dim=-1, eps=1e-6)
        return torch.einsum('bgd,bd->bg', keys, q) * self.scale + self.bias

2. 时序定位：从"选区间"到"拼片段"

骨干网络对时间做 2 倍压缩，每两帧一组，得到 K 个候选区间
BCE 损失监督每个区间是否落在标注事件内（多标签，允许多个区间同属一个事件）
软 IoU 损失（按区间时长加权）显式奖励"覆盖完整事件"，弥补 BCE 只看局部不看病程整体的缺陷
解码：用固定阈值 τ=0.25 调整 logit，Kadane 算法 O(K) 时间找出和最大的连续非空区间

3. 消除位置偏见

训练时对不依赖选项位置的题目 做可复现、与答案无关的排列打乱并更新正确项索引；涉及选项位置或前序轮次的题目保留原顺序。推理时按给定顺序，取最高 p i p_i pi。

4. 可复用的视觉计算（本文效率核心）

因果语言模型天然让视频前缀独立于后续查询，因此：

Cached 推理：视频编码 + prefill 一次，后续查询从缓存分支，只需跑查询/候选/读出 token
Joint 推理 ：多个查询及其候选列表共用一个视频前缀，各带独立 <|decide|>，一次前向拿全部分数
训练同款布局：同视频的多查询拼接，共享视频计算

5. 训练方案

骨干：Qwen3.5-4B（稠密）与 Qwen3.6-35B-A3B（MoE）
数据：
- 时序定位：TimeLens-100K + TimeLens2-93K，区间转候选级标签
- 多选 QA：约 24 万题 / 1.9 万视频的自建语料，涵盖游戏、体育、烹饪、音乐舞蹈、户外、手工，视频 4 分钟至近 2 小时
两阶段训练：先冻结骨干、训新打分头（让打分头在稳定表征空间里起步，类比 MLLM 的 projector 对齐），再微调语言骨干

Video-LLM 时间定位训练流程

阶段	训练参数	Loss
Stage 1：Head Warmup	只训练新增 Scoring Head，冻结 Backbone	Grounding：BCE；QA：CE
Stage 2：Joint Training	训练语言 Backbone、标记 Embedding 和 Head，视觉编码器保持冻结	Grounding：BCE + 2×SoftIoU；QA：CE

训练数据包括：

TimeLens-100K
TimeLens2-93K
团队整理的约 19K 视频 、240K 道多选问题

这里最有意义的是 SoftIoU Loss：除了判断每个时间位置是否属于事件，还直接优化预测时间段与 GT 时间段的整体重合程度。论文消融显示，加入 SoftIoU 后：

Grounding 平均 mIoU：60.7 → 65.3
提升 4.6 个百分点

三、实验结果

时序定位（3 个 benchmark）

相对各自骨干的 Instruct 模式 ，VideoJev-4B 与 VideoJev-35B-A3B 的平均 mIoU 分别提升 6.7 / 10.8 点 ，实测推理加速 2.8--3.1×。

多选视频问答（4 个 benchmark）

两个模型性能与其骨干的 Thinking 模式相当 ，同时推理加速超过 100×。（计时生成式基线同样复用了视频前缀，以保证对比公平。）

与自回归微调的受控对比（相同数据 + 相同设置）

模型	平均 grounding mIoU 优势	平均 QA 分数优势
VideoJev-4B vs 自回归微调	+1.3	+1.9

这直接证明：性能增益来自"直接决策学习"本身，而非单纯数据红利。

四、分析

强在哪里

范式迁移做得干净。用"候选打分 + 输出规则"这一个杠杆撬动了两类任务，既不牺牲 MLLM 的语义先验，又彻底绕开生成开销。
效率与质量兼得，且可组合。Cached 适合流式追问，Joint 适合批量查询，同一套视频前缀机制在训练和推理对齐，是真正的系统工程闭环。
消融有说服力。与自回归微调的等数据对照，把"架构收益"从"数据收益"里剥离出来，论证链完整。

需要留意的边界

任务形式受限。统一接口目前只覆盖"时序定位 + 多选"，开放生成（描述、长回答、工具调用）仍需另想办法，作者也把"开放行为"寄托于"结构化判断的组合"而非直接生成。
阈值与解码依赖超参。τ=0.25、窗口 1、Kadane 解码都是经验设定，在极长视频或稀疏事件上是否鲁棒，需更多 ablation。
位置打乱的副作用值得审视。多数题打乱是好事，但"依赖选项位置"的题需保留原序------这个判定本身若有误，就会成为隐患。
数据透明度。24 万 QA 为内部自建语料，外部难以复现与横向对比；骨干版本（Qwen3.5/3.6）也较新，需留意其官方基线是否对等。
速度数字的口径。100× 是与 Thinking 模式比，而非与 Instruct 或纯生成比；Cached/Joint 的加速还依赖命中率与批大小，落地时实测为准。

总体判断 ：这是一篇"动机清晰---设计统一---工程扎实"的工作，核心价值不在于提出新损失或新模块，而在于重新定义了视频智能体的决策接口------把昂贵的理解变成可缓存、可批处理的打分，让视频 MLLM 从"会回答"走向"能干活"。