机器人做完一次“把杯子放进托盘”，视频里往往没有现成的成功标签，只能靠人回看。RoboJev-27B想把这份裁判工作自动化：它是一款开放权重视觉语言模型——能把任务文字和视频画面放在一起理解，且参数可下载自行运行。模型读取操作过程均匀抽取的10帧，以及可用的辅助相机末帧，直接给出成功或失败的概率。
作者用52,598段记录训练它，并以LoRA——只训练少量附加参数的省资源微调方法——改造语言部分，视觉编码器保持冻结。在同型号SO-101机器人的268次留出实验中，作者报告其平衡准确率为95.2%。更值得注意的是边界：面对未见过的实验室或机器人，它在459段视频上的AUROC为0.890，反而略低于未做机器人专项微调的原模型0.900。论文因此没有把结果包装成普遍提升，而把RoboJev定位为可下载、可检查的自动裁判；它适合为海量无标签数据补上结果信号，但跨设备泛化仍需谨慎。