SingVL_S1_4B: Das 4,54-Milliarden-Entscheidungsmodell, das inclusionAI ohne ein Wort veröffentlichte

Am 11. November 2026 um 03:58 UTC erschien ein Repository namens SingVL_S1_4B unter der Organisation inclusionAI auf Hugging Face. Um 05:38 UTC bearbeitete jemand dessen README. Zum Zeitpunkt, als dies geschrieben wurde, gab es keinen Blogbeitrag aus dem Labor, kein arXiv-Paper, kein GitHub-Release, keinen Eintrag in irgendeinem Katalog eines Inferenzanbieters, und der Downloadzähler stand auf null. Die Modellkarte schreibt den Namen mit Leerzeichen — Sing VL S1 — und beschreibt es als ein multimodales Entscheidungsmodell, das auf Q​wen3.5 basiert. Das ist die gesamte öffentliche Aufzeichnung. Alles im Folgenden ist aus den Dateien in jenem Repository abgelesen, und alles, was wie eine Behauptung klingt, ist als solche gekennzeichnet.

Was genau bedeutet „Entscheidungsmodell“ hier?

Das ist kein Chat-Modell, dem man einfach Bildverarbeitung angeflanscht hat. Man sendet ihm keinen Prompt und liest dann einen Absatz als Antwort zurück. Man sendet ihm einen Zustand – Text, JSON oder bis zu vier Bilder – plus ein Dictionary benannter Fragen, und jede Frage deklariert ihren Typ und ihre Antwortkandidaten. Das Modell führt einen einzigen Forward-Pass aus und gibt für jeden Kandidaten eine Wahrscheinlichkeit zurück.

Es gibt drei Fragetypen, und die Bezeichnungen sind die des Modells selbst:

• Auswahl — wählen Sie eine der bereitgestellten Optionen; die Antwort enthält eine Wahrscheinlichkeit pro Option.

• Noul — eine Ja/Nein-Aussage; die Antwort ist die Wahrscheinlichkeit, dass sie wahr ist. Die Schreibweise ist ungewöhnlich, und sie ist die, die auf der Karte verwendet wird.

• Score — bewerten Sie die Eingabe auf 2 bis 10 geordneten Stufen; die Antwort enthält die Wahrscheinlichkeit jeder Stufe sowie eine erwartete Stufe, berechnet als Summe aus nullbasiertem Index mal Wahrscheinlichkeit.

Eine einzelne Anfrage kann also fragen: „Welche Farbe wird genannt“, „ist die genannte Farbe rot“ und „wie eindeutig identifiziert der Text die Farbe als rot“, und in einem einzigen Durchlauf drei Antworten mit Konfidenzwerten erhalten. Das Beispiel auf der Karte selbst macht genau das und wiederholt es dann über zwei Bilder hinweg, um zu fragen, welches davon rot ist.

Die architektonische Konsequenz ist, dass das Ausgabevokabular kein Vokabular ist. Es gibt kein Sampling, keine Temperatur, keinen Token-Stream zum Parsen und keinen JSON-Modus, dem man etwas entlocken könnte. Wenn Ihre Pipeline derzeit mit einem Regex über die Prosa eines Modells endet, um ein Label zu extrahieren, dann ist dies die Art von Modell, die den Regex überflüssig macht. Wenn Ihre Pipeline die Prosa braucht – eine Zusammenfassung, eine Begründung, einen Tool-Call –, dann hat dieses Modell Ihnen nichts zu bieten, weil es niemals eine erzeugt.

Die Zahlen, und wessen Zahlen sie sind

Die Karte veröffentlicht eine Tabelle mit der Überschrift „Public Decision Index 0.3“. Sing VL S1 erzielt 69,76 auf dem Text-Panel und 73,94 auf dem Vision-Panel. In den Vergleichsspalten stehen TypeSafe Jev 1.14 mit 60,70 bei Text ohne veröffentlichten Vision-Wert, StartLux-Decision v1.1 4B mit 67,8 bei Text und 67,90 bei Vision sowie Perplexity Decider Flash v1.2 (4B) mit 60,1 bei Text und 72,5 bei Vision.

Lesen Sie das als Selbstauskunft. Jede Zahl darin stammt aus dem Labor, das das Modell trainiert hat, auf einer Bestenliste, deren Bewertungs-Kit öffentlich ist, deren private Hälfte jedoch nicht, und kein Dritter hat irgendetwas davon erneut ausgeführt. Das eigene Reproduktionskit des Decision Index — das decision-index-Projekt, das die öffentliche Suite neu aufbaut und eingereichte Läufe bewertet — zeigt in seiner Issue- oder Pull-Request-Historie Stand heute Morgen nirgends eine SingVL-Einreichung. Die Karte enthält zwar die Einreichungsanweisungen, was ein legitimes Signal für die Absicht und kein Beleg für ein Ergebnis ist.

Die Aufschlüsselung pro Datensatz ist nützlicher als das Gesamtergebnis, denn sie zeigt, woher die aggregierte Zahl kommt. Bei den elf Vision-Datensätzen sind die stärksten Zeilen InfographicVQA mit 96.31, Winoground mit 93.12 und der CORD-plus-FUNSD-Schlüsselinformationsdatensatz mit 95.82. Die schwachen Zeilen sind ebenso aussagekräftig: MMMU-Pro Vision liegt bei 50.17 ohne Skill und bei 42.85 mit dem Skill-Prompt, R-Bench-M bei 49.77 und 39.72, und die Moderation hassgeprägter Memes bei 71.64, fallend auf 43.28. Das ist ein Modell, das Dokumente und Layouts gut liest und über schwierige akademische Abbildungen schlecht schlussfolgert — ein Profil, das zu einem 4,5-Milliarden-Parameter-Backbone passt, das Klassifikation statt Abwägung betreibt.

Bei den dreiundvierzig Textdatensätzen sind BFCL mit 96,81 und CLINC150 mit 97,03 die Spitzenreiter; HLE mit 12,77, ChessBench mit 26,88 und der SGD-Dialogdatensatz mit 8,33 bilden das Schlusslicht. Die Karte kennzeichnet mehrere Zeilen mit einem Dolch, um anzugeben, dass der Index sie separat ausweist, statt sie einzubeziehen – genau die Art von Offenlegung, die den Rest der Tabelle vertrauenswürdiger macht.

Was befindet sich eigentlich im Repository?

Zwei safetensors-Shards mit insgesamt etwa 9,1 GB, was bei BF16 ungefähr 4,54 Milliarden Parameter ergibt — der Repository-Name sagt 4B, die Hugging-Face-Seitenleiste rundet auf 5B, und die Tensor-Summe ist die Zahl dazwischen. Eine Konfiguration, die die bedingte Generierungsarchitektur von Qwen3.5 mit einer Hidden Size von 2560 angibt. Ein 7,7 KB großes Chat-Template, das Bild- und Video-Tokens verarbeitet. Und ein inference/-Verzeichnis, das das enthält, was all dies nutzbar macht: einen Python-Wrapper, einen FastAPI-Server, ein Benchmark-Skript und zwei Beispielbilder, eines blau und eines rot.

Das Setup ist bis auf die Patchversion genau spezifiziert: Python 3.12, hardwareangepasste PyTorch- und torchvision-Versionen, Requirements aus inference/ heraus installiert. Der Server läuft auf Port 8173 und antwortet unter POST /v1/systemone. Dieser Pfad ist keine OpenAI-kompatible Route und gibt sich auch nicht als solche aus; er ist das Wire-Format, das das Decision-Index-Evaluationskit spricht. Die Schnellstartanleitung der Karte verbindet das Kit direkt mit diesem Endpunkt, zuerst für die Textsuite und dann für die Visionsuite mit einem expliziten Pixelbudget von 1.638.400 pro Bild.

Zwei Grenzen sind betrieblich relevant und werden in der Karte genannt, statt erst in der Produktion entdeckt zu werden: vier Bilder pro Anfrage und 65.536 Token Eingabe bei reinem Text bzw. 10.000 Token, sobald Bilder angehängt sind. Die Prozessorkonfiguration legt maximal 1.806.336 Pixel pro Bild fest, sodass ein Ganzseiten-Screenshot vor dem Auslesen herunterskaliert wird.

Die Konfigurationsdatei verrät ihre Herkunft.

Wenn man config.json öffnet, erscheint eine Reihe von Schlüsseln, die nicht zum Standard-Q​wen3.5 gehören: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. Der Prefix-Contract lautet „all-input-before-first-answer; single-turn; no-thinking“. Der Soft-Choice-Block enthält SHA-256-Hashes der Python-Dateien, die das Readout implementieren, fest angepinnt, sodass eine prüfende Person bestätigen kann, dass der Code, der einen Score erzeugt hat, der ausgelieferte Code ist.

Nüchtern gelesen ist „j​ev" der Name des gemeinsamen Harness, in den dieses Modell eingebaut wurde – dieselbe Harness-Familie, um die herum die J​ev-Modelle von TypeSafe und das Decision-Index-Kit organisiert sind. Das ist eine Schlussfolgerung aus einer Zeichenkette in einer Konfigurationsdatei, keine Aussage des Anbieters, und es ist das interessanteste unerklärte Detail der Veröffentlichung. Es legt nahe, dass Sing VL S1 kein von Grund auf neu entwickeltes Experiment mit typisierten Entscheidungen ist, sondern ein Q​wen3.5-Vision-Checkpoint, der in ein bestehendes Protokoll eingepasst wurde, wobei die Interna des Protokolls mitgeliefert werden, damit sich die Ergebnisse reproduzieren lassen.

Es gibt in derselben Organisation ein Schwesterprojekt, das diese Lesart stützt. Der LemonDecider von inclusionAI, Ende Oktober auf Basis eines Qwen3.5-4B veröffentlicht, ist eine reine Text-Entscheidungsmaschine mit einer Ausgabe über 255 Optionen und einer Konstanten zur Temperaturkalibrierung; seine Modellkarte beschreibt dieselbe choice/noul/score-Terminologie und dasselbe Single-Forward-Pass-Design. Sing VL S1 wirkt wie eine Ausweitung dieser Arbeit auf Bilder. Die Organisation hat sich dazu nicht geäußert.

Was fehlt, ist nicht kosmetisch

• Keine Lizenz. Die Metadaten der Modellkarte geben Tags für die Architektur und die Aufgabe an, aber überhaupt kein Lizenzfeld, und im Repository liegt keine LICENSE-Datei. Ohne eine solche ist der Standard nicht „offen“ – er lautet „alle Rechte vorbehalten, fragen Sie den Autor“. Ein Team, das dies kommerziell ausliefern muss, hat noch keine Erlaubnis, auf die es sich stützen kann, und sollte das seinen Juristen sagen, bevor es das seiner Roadmap sagt.

• Kein Paper. Die Organisation hat einunddreißig Papers auf ihrem Hugging-Face-Profil, und keines davon behandelt dieses Modell. Es gibt keinen Methodenabschnitt, keine Beschreibung der Trainingsdaten, keine Aussage darüber, worauf die 4,54 Milliarden Parameter abgestimmt wurden.

• Keine Ankündigung. Die Org-Karte verweist Follower weiterhin auf ihr GitHub und ihre beiden X-Konten für Neuigkeiten zu Releases; keiner der beiden Kanäle hat einen Beitrag über dieses Repository, der heute gefunden werden konnte. Das GitHub der Organisation hat kein SingVL-Repository.

• Kein gehosteter Endpoint. Kein Inference-Provider führt es auf. Die einzige Möglichkeit, es auszuführen, besteht darin, 9,1 GB herunterzuladen und es selbst zu hosten.

• Kein eigenständiges Ergebnis. Oben bereits abgehandelt – und es lohnt sich, es zu wiederholen, weil genau daran hängt, ob die 69,76 für dich irgendetwas bedeutet.

Wie du es tatsächlich verwenden würdest, wenn du dich dafür entscheidest.

Die ehrliche Deployment-Geschichte ist ein Sidecar, kein Ersatz. Stell den FastAPI-Server auf einen GPU-Rechner, richte deine bestehende Pipeline darauf für die spezifische Teilaufgabe aus, bei der du aktuell ein Label aus generiertem Text parst – Intent-Routing, Dokumenttyp-Triage, Moderationsflags, ein Ja/Nein-Gate vor einem teuren Aufruf – und lass das generative Modell dort, wo es ist, für alles, was eine Erklärung braucht. Die Wahrscheinlichkeitsausgabe ist der Punkt: Du bekommst eine Zahl, die du mit einem Schwellenwert vergleichen kannst, keinen String, dem du vertrauen musst.

Was es günstig macht, das auszuprobieren, ist, dass die API aus einer einzigen Route mit einem flachen JSON-Body besteht. Eine Wrapper-Funktion ist an einem Vormittag erledigt. Was es teuer macht, sich darauf zu verlassen, ist, dass sich ein Modell ohne Lizenz, ohne Paper und mit einem einen Tag alten Repository ohne Vorankündigung ändern oder verschwinden kann. Also den Revisions-Hash in der Konfiguration festschreiben und den Endpunkt als nicht vertrauenswürdige Infrastruktur hinter einem Fallback behandeln.

Das ist auch der Punkt, an dem Routing seinen Platz verdient, statt nur ein Slogan zu sein. OrcaRouter führt bereits TypeSafe Jev 1.14 — typesafe/jev-1.14, zu $0,042 pro Million Eingabe-Tokens — was bedeutet,dass das Entscheidungsmodell-Muster heute über einen Schlüssel aufrufbar ist neben den generativen Modellen, neben denen es stehen würde. Sing VL S1 ist nicht auf OrcaRouter und es gibt hier nichts dazu anzukündigen; die relevante Tatsache ist enger und nützlicher. Man kann das Muster auf einem funktionierenden Endpoint messen, bevor man sich verpflichtet, einen 9-GB-Checkpoint zu servieren, dessen Nutzungsbedingungen leer sind, und wenn der Checkpoint später seinen Platz verdient, sind ein zweiter Vertrag nicht die Kosten seiner Einführung.

Was würde dies von einer Kuriosität zu einer Entscheidung machen?

Drei Dinge, in der Reihenfolge, wie viel sie Ihnen verraten würden. Eine Lizenzdatei, denn ohne sie zählt alles andere kommerziell nicht. Eine Einreichung beim Decision Index mit angehängtem Run-Verzeichnis, denn der Einreichungsabschnitt der Karte beschreibt genau das Artefakt, mit dem ein Außenstehender {{1}}69.76{{/1}} und {{2}}73.94{{/2}} überprüfen könnte, statt sie einfach hinzunehmen. Und eine zweite unabhängige Bewertung auf einem Harness, den jemand anderes kontrolliert, denn ein Modell, das auf einem Benchmark gewinnt, dessen Formalisierung seine eigenen Autoren mit vorangetrieben haben, braucht eine zweite Meinung, bevor es einen Launch-Post braucht.

Bis dahin ist die richtige Art, diese Veröffentlichung zu lesen, dieselbe, wie man ein Preprint lesen würde, bei dem der Methodenteil fehlt: Das Artefakt ist real, die Zahlen sind die der Autoren, und das Interessante daran ist, dass es nun überhaupt ein Vision-Modell mit 4,5 Milliarden Parametern gibt, das für Wahrscheinlichkeitsvektoren statt für Absätze gebaut wurde. Ob daraus eine Kategorie oder eine Fußnote wird, hängt von Unterlagen ab, die das Repository noch nicht enthält.