SingVL_S1_4B: el modelo de decisión de 4,54B que inclusionAI lanzó sin decir una palabra

A las 03:58 UTC del 11 de noviembre de 2026, un repositorio llamado SingVL_S1_4B apareció bajo la organización inclusionAI en Hugging Face. A las 05:38 UTC, alguien editó su README. En el momento de escribir esto, no había ninguna entrada de blog del laboratorio, ningún artículo en arXiv, ninguna publicación en GitHub, ninguna entrada en el catálogo de ningún proveedor de inferencia, y el contador de descargas seguía en cero. La tarjeta del modelo escribe el nombre con espacios —Sing VL S1— y lo describe como un modelo de decisión multimodal construido sobre Q​wen3.5. Ese es todo el registro público. Todo lo que sigue se lee de los archivos de ese repositorio, y todo lo que suena a afirmación está etiquetado como tal.

¿Qué significa exactamente «decision model» aquí?

Esto no es un modelo de chat con visión añadida a posteriori. No le envías un prompt ni lees un párrafo como respuesta. Le envías un estado —texto, JSON o hasta cuatro imágenes— además de un diccionario de preguntas con nombre, y cada pregunta declara su tipo y sus respuestas candidatas. El modelo ejecuta una sola pasada hacia adelante y devuelve una probabilidad para cada candidata.

Existen tres tipos de preguntas, y los nombres son del propio modelo:

• Elección — elige una de las opciones proporcionadas; la respuesta incluye una probabilidad por opción.

• Noul — una proposición de sí/no; la respuesta es la probabilidad de que sea verdadera. La ortografía es extraña y es la que usa la tarjeta.

• Puntuación — puntúe la entrada en 2 a 10 niveles ordenados; la respuesta incluye la probabilidad de cada nivel más un nivel esperado calculado como la suma del índice de base cero multiplicado por la probabilidad.

Así que una sola solicitud puede preguntar «qué color se nombra», «si el color nombrado es rojo» y «con qué claridad identifica el texto el color como rojo», y obtener tres respuestas con niveles de confianza a partir de una sola pasada. El ejemplo de la propia tarjeta hace exactamente eso y luego lo repite en dos imágenes para preguntar cuál es roja.

La consecuencia arquitectónica es que el vocabulario de salida no es un vocabulario. No hay muestreo, ni temperatura, ni un flujo de tokens que analizar, ni un modo JSON al que inducir. Si tu pipeline actualmente termina en una regex sobre la prosa de un modelo para extraer una etiqueta, esta es la clase de modelo que elimina la regex. Si tu pipeline necesita la prosa —un resumen, una justificación, una llamada a herramienta—, este modelo no tiene nada que ofrecerte, porque nunca genera una.

Los números, y de quién son los números.

La tarjeta publica una tabla titulada «Public Decision Index 0.3». Sing VL S1 obtiene 69,76 en el panel de Texto y 73,94 en el panel de Visión. Las columnas de comparación son TypeSafe Jev 1.14 con 60,70 en texto y sin puntuación de visión publicada, StartLux-Decision v1.1 4B con 67,8 en texto y 67,90 en visión, y Perplexity Decider Flash v1.2 (4B) con 60,1 en texto y 72,5 en visión.

Léalo como un autoinforme. Cada cifra que contiene proviene del laboratorio que entrenó el modelo, en una tabla de clasificación cuyo kit de puntuación es público pero cuya mitad privada no lo es, y ningún tercero ha vuelto a ejecutar nada de ello. El propio kit de reproducción de Decision Index — el decision-index proyecto que reconstruye la suite pública y puntúa las ejecuciones enviadas — no muestra ningún envío de SingVL en ningún lugar de su historial de issues o solicitudes de extracción a fecha de esta mañana. La tarjeta sí incluye las instrucciones de envío, lo cual es una señal razonable de intención y no evidencia de un resultado.

El desglose por conjunto de datos es más útil que el titular, porque muestra de dónde procede el agregado. En los once conjuntos de datos de visión, las filas más sólidas son InfographicVQA con 96,31, Winoground con 93,12 y el conjunto de información clave CORD-plus-FUNSD con 95,82. Las filas débiles son igual de informativas: MMMU-Pro vision se sitúa en 50,17 sin habilidad y 42,85 con el prompt de habilidad, R-Bench-M en 49,77 y 39,72, y la moderación de memes de odio en 71,64, que cae a 43,28. Es un modelo que lee bien documentos y diseños, pero razona mal sobre cifras académicas difíciles: un perfil coherente con un modelo base de 4.500 millones de parámetros que hace clasificación en lugar de deliberación.

En los cuarenta y tres conjuntos de datos de texto, BFCL con 96,81 y CLINC150 con 97,03 son los destacados; HLE con 12,77, ChessBench con 26,88 y el conjunto de diálogo SGD con 8,33 son los más bajos. La tarjeta marca varias filas con una daga para indicar que el índice los reporta por separado en lugar de integrarlos, que es el tipo de divulgación que hace que sea más fácil confiar en el resto de la tabla.

¿Qué hay realmente en el repositorio?

Dos fragmentos de safetensors que suman unos 9,1 GB, lo que en BF16 equivale aproximadamente a 4540 millones de parámetros —el nombre del repositorio dice 4B, la barra lateral de Hugging Face lo redondea a 5B, y el total de tensores es el número intermedio. Una configuración que declara la arquitectura de generación condicional Q​wen3.5 con un tamaño oculto de 2560. Una plantilla de chat de 7,7 KB que gestiona tokens de imagen y vídeo. Y un directorio inference/ que contiene lo que hace que todo esto sea utilizable: un wrapper de Python, un servidor FastAPI, un script de benchmark y dos imágenes de ejemplo, una azul y una roja.

La configuración está especificada hasta el nivel de la versión de parche: Python 3.12, PyTorch y torchvision adaptados al hardware, y los requisitos instalados desde dentro de inference/. El servidor se ejecuta en el puerto 8173 y responde en POST /v1/systemone. Esa ruta no es una ruta compatible con OpenAI y no pretende serlo; es el formato de transmisión que habla el kit de evaluación Decision Index. El inicio rápido de la tarjeta conecta el kit directamente a ese endpoint, primero para la suite de texto y luego para la suite de visión con un presupuesto explícito de píxeles de 1.638.400 por imagen.

Dos límites importan operativamente y se indican en la ficha en lugar de descubrirse en producción: cuatro imágenes por solicitud y 65.536 tokens de entrada para solo texto o 10.000 tokens una vez que se adjuntan imágenes. La configuración del procesador establece un máximo de 1.806.336 píxeles por imagen, por lo que una captura de pantalla de página completa se reducirá antes de leerse.

El archivo de configuración delata su linaje

Abre config.json y aparece un conjunto de claves que no son estándar de Q​wen3.5: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. El contrato de prefijo dice «all-input-before-first-answer; single-turn; no-thinking». El bloque soft-choice contiene hashes SHA-256 de los archivos Python que implementan la lectura, fijados para que un evaluador pueda confirmar que el código que produjo una puntuación es el código que se distribuyó.

Read plainly, "j​ev" is the name of the shared harness this model was built into — the same family of harness that TypeSafe's J​ev models and the Decision Index kit are organised around. That is an inference from a string in a config file, not a statement from the vendor, and it is the most interesting unexplained thing in the release. It suggests Sing VL S1 is not a from-scratch experiment in typed decisions but a Q​wen3.5 vision checkpoint adapted into an existing protocol, with the protocol's internals shipped alongside so results can be reproduced.

Hay un proyecto hermano en la misma organización que respalda esta interpretación. LemonDecider, de inclusionAI, publicado a finales de octubre sobre una base Q​wen3.5-4B, es un motor de decisión solo de texto con una lectura de 255 opciones y una constante de calibración de temperatura; su ficha describe el mismo vocabulario choice/noul/score y el mismo diseño de una sola pasada directa. Sing VL S1 parece ser esa línea de trabajo extendida a imágenes. La organización no lo ha dicho.

Lo que falta no es cosmético.

• Sin licencia. Los metadatos de la tarjeta del modelo declaran etiquetas para la arquitectura y la tarea, pero ningún campo de licencia en absoluto, y no hay ningún archivo LICENSE en el repositorio. Sin ella, el valor predeterminado no es «abierto»: es «todos los derechos reservados, consulte al autor». Un equipo que necesite distribuir esto comercialmente aún no tiene ningún permiso en el que basarse, y debería decírselo a sus abogados antes de decírselo a su hoja de ruta.

• Sin artículo. La organización tiene treinta y un artículos en su perfil de Hugging Face y ninguno de ellos trata sobre este modelo. No hay sección de métodos, ni descripción de los datos de entrenamiento, ni una declaración de sobre qué se ajustaron los 4.54 mil millones de parámetros.

• Ningún anuncio. La tarjeta de la organización sigue dirigiendo a sus seguidores a su GitHub y a sus dos cuentas de X para noticias sobre lanzamientos; ninguno de los dos canales tiene una publicación sobre este repositorio que se pudiera encontrar hoy. El GitHub de la organización no tiene ningún repositorio de SingVL.

• Sin endpoint alojado. Ningún proveedor de inferencia lo incluye. La única forma de ejecutarlo es descargar 9,1 GB y servirlo tú mismo.

• Ningún resultado independiente. Ya se ha tratado más arriba, y merece la pena repetirlo porque es lo que decide si el 69.76 significa algo para ti.

Cómo lo usarías realmente, si decides hacerlo

La historia honesta del despliegue es un sidecar, no un reemplazo. Coloca el servidor FastAPI en una máquina con GPU, apunta tu pipeline existente hacia él para la sub-tarea específica en la que actualmente extraes una etiqueta del texto generado —enrutamiento de intenciones, triaje de tipo de documento, indicadores de moderación, una puerta de sí/no antes de una llamada costosa— y deja el modelo generativo donde está para todo lo que necesita una explicación. La salida de probabilidad es lo importante: obtienes un número al que aplicar un umbral, no una cadena en la que confiar.

Lo que hace que probarlo sea barato es que la API es una sola ruta con un cuerpo JSON plano. Una función de envoltura es trabajo de una mañana. Lo que hace que dependa de ella sea caro es que un modelo sin licencia, sin artículo y con un repositorio creado hace un día puede cambiar o desaparecer sin aviso, así que fija el hash de revisión en la configuración y trata el endpoint como infraestructura no confiable detrás de un mecanismo de respaldo.

Ese es también el punto en el que el enrutamiento se gana su lugar en vez de ser un eslogan. OrcaRouter ya incluye TypeSafe Jev 1.14 — typesafe/jev-1.14, a $0.042 por millón de tokens de entrada —, lo que significa que el patrón de modelo de decisión se puede invocar hoy a través de una sola clave junto a los modelos generativos al lado de los cuales se sentaría. Sing VL S1 no está en OrcaRouter y aquí no hay nada que anunciar al respecto; el dato relevante es más acotado y más útil. Puedes medir el patrón en un endpoint en funcionamiento antes de comprometerte a servir un checkpoint de 9 GB cuyos términos de uso están en blanco, y si más adelante el checkpoint se gana su lugar, un segundo contrato no es el coste de adoptarlo.

¿Qué haría que esto pasara de ser una curiosidad a una decisión?

Tres cosas, ordenadas por la información que aportarían. Un archivo de licencia, porque sin él nada más importa comercialmente. Una presentación al Decision Index con un directorio de ejecución adjunto, porque la sección de presentación de la ficha describe exactamente el artefacto que permitiría a un desconocido comprobar 69.76 y 73.94 en lugar de darlos por buenos. Y una segunda evaluación independiente en un harness que controle otra persona, porque un modelo que gana en un benchmark que sus propios autores ayudaron a formalizar necesita una segunda opinión antes de necesitar una publicación de lanzamiento.

Hasta entonces, la forma correcta de leer esta publicación es como leerías un preprint al que le falta la sección de métodos: el artefacto es real, las cifras son de los autores y lo interesante es que ahora exista siquiera un modelo de visión de 4,5 mil millones de parámetros creado para vectores de probabilidad en lugar de párrafos. Que eso se convierta en una categoría o en una nota al pie depende de la documentación que el repositorio aún no contiene.