# \#video-qa **URL:** https://discuss.pytorch.kr/tag/video-qa/9326.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [VideoJev: 답을 생성하는 대신 후보를 채점해 비디오 구간 찾기와 객관식 QA를 푸는 System One 모델 공개](https://discuss.pytorch.kr/t/videojev-qa-system-one/12203)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 15, 2026, 10:30오후 UTC](https://discuss.pytorch.kr/t/videojev-qa-system-one/12203 "2026-10-15T22:30:55Z")
핵심 요약 VideoJev 논문은 비디오 멀티모달 LLM의 출력 헤드를 후보 채점 헤드로 바꿉니다. 그래서 시간 구간 찾기와 객관식 비디오 질의응답을 텍스트 생성 없이 한 번의 순전파로 풉니다. 영상 부분을 한 번만 인코딩하고 여러 질문이 그 계산을 공유합니다. 4B 모델은 Joint inference에서 질문을 1개에서 10개로 늘려도 구간 찾기 시간이 55ms만 늘었습니다. 시간 구간 찾기 3종 평균 mIoU는 기반 모델(Qwen3.5-4B, Qwen3.6-35B-A3B)보다 6.7점, 10.8점 높고 지연 시간은 2.8~3.1배 짧습니다. 객관식 질의응답 4종 평균은 Thinking 모드와 비슷하지만 Video-MME와 MLVU에서는 Thinking 모드가 여전히 앞섭니다. GitHub 저장소와 4B, 35B-A3B 가중치가 Apache 2.0으로 공개됐습니다. 다만 질의응답 학습 데이터 약 24만 문항은 내부 데이터이고, 확률 출력의 보정 오차(ECE)가 8~9%p로 대체로 과신합니다. VideoJev 소개 VideoJev는 영상을 보고 "이 장면이 언제 나오는가" 와 "보기 중 무엇이 맞는가" 라는 두 종류의 질문에, 답을 글자로 쓰지 않고 후보마다 점수를 매겨 바로 고르는 비디오 모델입니다. 난징대학교 멀티미디어 컴퓨팅 그룹(MCG-NJU)이 JD.com, 중국과학원대학 등 7개 기관과 함께 2026년 10월 13일 arXiv에 논문을 올렸고, 코드와 가중치도 함께 공개했습니다. 지금의 비디오 멀티모달 대규모 언어 모델(Multimodal Large Language Model, MLLM)은 답이 짧아도 생성으로 답합니다. 사건이 몇 초에 일어났는지 물으면 타임스탬프를 토큰으로 하나씩 출력하고, 객관식 문제에도 답 텍스트를 생성합니다. 사람과 대화할 때는 문제가 되지 않습니다. 그런데 에이전트는 같은 영상을 두고 판단을 여러 번 내립니다. 요리 절차를 따라가는 비서라면 "재료를 넣었는가" 를 확인한 뒤에야 다음 단계를 고릅니다. 저자들은 …