SingVL_S1_4B : le modèle de décision 4.54B qu’inclusionAI a livré sans un mot

Le 11 novembre 2026 à 03:58 UTC, un dépôt appelé SingVL_S1_4B est apparu sous l’organisation inclusionAI sur Hugging Face. À 05:38 UTC, quelqu’un a modifié son README. Au moment de la rédaction de ces lignes, il n’y avait aucun billet de blog du laboratoire, aucun article arXiv, aucune publication GitHub, aucune entrée dans le catalogue d’un quelconque fournisseur d’inférence, et le compteur de téléchargements affichait zéro. La fiche modèle épelle le nom avec des espaces — Sing VL S1 — et le décrit comme un modèle de décision multimodal construit sur Q​wen3.5. C’est tout ce qui est publiquement documenté. Tout ce qui suit est tiré des fichiers de ce dépôt, et tout ce qui ressemble à une affirmation est signalé comme telle.

Que signifie précisément « decision model » ici ?

Ce n’est pas un modèle de chat auquel on a greffé la vision. Vous ne lui envoyez pas un prompt pour lire un paragraphe en retour. Vous lui envoyez un état — du texte, du JSON ou jusqu’à quatre images — ainsi qu’un dictionnaire de questions nommées, et chaque question déclare son type et ses réponses candidates. Le modèle effectue une seule passe avant et renvoie une probabilité pour chaque candidat.

Il existe trois types de questions, et leurs noms sont propres au modèle :

• Choix — sélectionnez l’une des options fournies ; la réponse comporte une probabilité par option.

• Noul — une proposition oui/non ; la réponse est la probabilité qu’elle soit vraie. L’orthographe est étrange et c’est celle qu’utilise la carte.

• Score — évaluez l'entrée sur 2 à 10 niveaux ordonnés ; la réponse contient la probabilité de chaque niveau ainsi qu'un niveau attendu calculé comme la somme de l'indice à base zéro multiplié par la probabilité.

Ainsi, une seule requête peut demander « quelle couleur est nommée », « la couleur nommée est-elle rouge » et « avec quelle clarté le texte identifie-t-il la couleur comme rouge », et obtenir trois réponses avec des niveaux de confiance en une seule passe. L’exemple de la carte elle-même fait exactement cela, puis le répète sur deux images pour demander laquelle est rouge.

La conséquence architecturale est que le vocabulaire de sortie n’est pas un vocabulaire. Il n’y a pas d’échantillonnage, pas de température, pas de flux de tokens à analyser et pas de mode JSON à amadouer. Si votre pipeline se termine actuellement par une regex appliquée à la prose d’un modèle pour extraire un libellé, c’est le type de modèle qui élimine la regex. Si votre pipeline a besoin de la prose — un résumé, une justification, un appel d’outil — ce modèle n’a rien à vous offrir, car il n’en génère jamais.

Les chiffres, et à qui ils appartiennent

La fiche publie un tableau intitulé « Public Decision Index 0.3 ». Sing VL S1 obtient 69,76 sur le panneau Texte et 73,94 sur le panneau Vision. Les colonnes de comparaison sont TypeSafe Jev 1.14 à 60,70 en texte, sans score de vision publié, StartLux-Decision v1.1 4B à 67,8 en texte et 67,90 en vision, et Perplexity Decider Flash v1.2 (4B) à 60,1 en texte et 72,5 en vision.

Lisez cela comme une auto-déclaration. Chaque chiffre qu’il contient provient du laboratoire qui a entraîné le modèle, sur un classement dont le kit de notation est public mais dont la moitié privée ne l’est pas, et aucun tiers n’a réexécuté quoi que ce soit. Le kit de reproduction propre au Decision Index — le projet decision-index qui reconstruit la suite publique et note les exécutions soumises — ne montre aucune soumission SingVL nulle part dans son historique de tickets ou de demandes de fusion en date de ce matin. La fiche inclut bien les instructions de soumission, ce qui est un signal d’intention raisonnable et non une preuve d’un résultat.

La ventilation par jeu de données est plus utile que le chiffre global, car elle montre d’où provient l’agrégat. Sur les onze jeux de données de vision, les lignes les plus solides sont InfographicVQA à 96,31, Winoground à 93,12 et l’ensemble d’informations clés CORD-plus-FUNSD à 95,82. Les lignes faibles sont tout aussi instructives : MMMU-Pro vision arrive à 50,17 sans prompt de compétence et à 42,85 avec le prompt de compétence, R-Bench-M à 49,77 et 39,72, et la modération des mèmes haineux à 71,64, tombant à 43,28. C’est un modèle qui lit bien les documents et les mises en page et raisonne mal sur des chiffres académiques difficiles — un profil cohérent avec un socle de 4,5 milliards de paramètres qui fait de la classification plutôt que de la délibération.

Sur les quarante-trois jeux de données textuels, BFCL à 96,81 et CLINC150 à 97,03 sont les meilleurs ; HLE à 12,77, ChessBench à 26,88 et l’ensemble de dialogues SGD à 8,33 sont les plus bas. La fiche marque plusieurs lignes d’une dague pour indiquer que l’indice les publie séparément plutôt que de les intégrer, un type de divulgation qui inspire davantage confiance dans le reste du tableau.

Qu'y a-t-il réellement dans le dépôt ?

Deux fragments safetensors totalisant environ 9,1 Go, ce qui, en BF16, correspond à environ 4,54 milliards de paramètres — le nom du dépôt indique 4B, la barre latérale de Hugging Face arrondit à 5B, et le total des tenseurs est le nombre intermédiaire. Une configuration déclarant l’architecture de génération conditionnelle Qwen3.5 avec une taille cachée de 2560. Un modèle de chat de 7,7 Ko qui gère les jetons d’image et de vidéo. Et un répertoire inference/ contenant ce qui rend tout cela utilisable : un wrapper Python, un serveur FastAPI, un script de benchmark et deux images d’exemple, une bleue et une rouge.

La configuration est spécifiée jusqu’à la version de correctif : Python 3.12, PyTorch et torchvision adaptés au matériel, dépendances installées depuis l’intérieur de inference/. Le serveur fonctionne sur le port 8173 et répond sur POST /v1/systemone. Ce chemin n’est pas une route compatible OpenAI et ne prétend pas l’être ; c’est le format de transmission utilisé par le kit d’évaluation Decision Index. Le guide de démarrage rapide de la carte connecte directement le kit à ce point de terminaison, d’abord pour la suite textuelle, puis pour la suite vision avec un budget explicite de 1,638,400 pixels par image.

Deux limites ont une importance opérationnelle et sont indiquées dans la fiche plutôt que découvertes en production : quatre images par requête, et 65 536 tokens d'entrée pour le texte seul ou 10 000 tokens une fois des images jointes. La configuration du processeur fixe un maximum de 1 806 336 pixels par image, de sorte qu'une capture d'écran pleine page sera réduite avant d'être lue.

Le fichier de configuration trahit ses origines

Ouvrez config.json et vous verrez apparaître un ensemble de clés qui ne sont pas standard pour Q​wen3.5 : jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. Le contrat de préfixe indique « all-input-before-first-answer; single-turn; no-thinking ». Le bloc soft-choice contient les hachages SHA-256 des fichiers Python qui implémentent la lecture, épinglés afin qu’un évaluateur puisse confirmer que le code ayant produit un score est bien celui qui a été livré.

À le lire simplement, « j​ev » est le nom du harnais partagé dans lequel ce modèle a été intégré — la même famille de harnais autour de laquelle s’organisent les modèles J​ev de TypeSafe et le kit Decision Index. Il s’agit d’une déduction tirée d’une chaîne dans un fichier de configuration, et non d’une déclaration du fournisseur, et c’est l’élément inexpliqué le plus intéressant de la publication. Cela suggère que Sing VL S1 n’est pas une expérience conçue de zéro sur les décisions typées, mais un checkpoint vision de Q​wen3.5 adapté à un protocole existant, dont les internes sont livrés avec pour que les résultats puissent être reproduits.

Il existe un modèle frère au sein de la même organisation qui soutient cette lecture. LemonDecider d'inclusionAI, publié fin octobre sur une base Qwen3.5-4B, est un moteur de décision purement textuel doté d'une sortie à 255 options et d'une constante d'étalonnage de température ; sa fiche décrit le même vocabulaire choice/noul/score et la même conception à passe avant unique. Sing VL S1 ressemble à ce travail étendu aux images. L'organisation ne l'a pas déclaré.

Ce qui manque n’est pas cosmétique

• Aucune licence. Les métadonnées de la fiche du modèle déclarent des tags pour l'architecture et la tâche, mais aucun champ de licence, et aucun fichier LICENSE ne se trouve dans le dépôt. Sans licence, la valeur par défaut n'est pas « ouverte » — c'est « tous droits réservés, demandez à l'auteur ». Une équipe qui doit livrer ceci commercialement n'a encore aucune autorisation sur laquelle s'appuyer et devrait le dire à ses juristes avant de le dire à sa feuille de route.

• Aucun article. L’organisation a trente et un articles sur son profil Hugging Face et aucun d’entre eux ne porte sur ce modèle. Il n’y a pas de section méthodologie, pas de description des données d’entraînement, pas d’indication sur ce sur quoi les 4,54 milliards de paramètres ont été ajustés.

• Aucune annonce. La carte de l’organisation renvoie toujours les abonnés vers son GitHub et ses deux comptes X pour les actualités de publication ; aucun des deux canaux ne comporte de publication sur ce dépôt qu’il ait été possible de trouver aujourd’hui. Le GitHub de l’organisation ne contient aucun dépôt SingVL.

• Aucun point de terminaison hébergé. Aucun fournisseur d’inférence ne le répertorie. Le seul moyen de l’exécuter est de télécharger 9,1 Go et de le servir vous-même.

• Aucun résultat indépendant. Déjà couvert ci-dessus, et il vaut la peine de le répéter, car c’est ce qui détermine si le 69.76 signifie quoi que ce soit pour vous.

Comment vous l’utiliseriez réellement, si vous décidez de le faire

Le récit de déploiement honnête est celui d’un sidecar, pas d’un remplacement. Placez le serveur FastAPI sur une machine GPU, faites pointer votre pipeline existant vers lui pour la sous-tâche spécifique où vous extrayez actuellement une étiquette à partir d’un texte généré — routage d’intention, tri par type de document, indicateurs de modération, une barrière oui/non avant un appel coûteux — et laissez le modèle génératif là où il est pour tout ce qui nécessite une explication. La sortie de probabilité est l’intérêt : vous obtenez un nombre à seuiller, pas une chaîne à croire.

Ce qui rend cet essai peu coûteux, c’est que l’API n’est qu’une seule route avec un corps JSON plat. Une fonction wrapper, c’est l’affaire d’une matinée. Ce qui rend coûteux d’en dépendre, c’est qu’un modèle sans licence, sans article et avec un dépôt vieux d’un jour peut changer ou disparaître sans préavis ; il faut donc épingler le hash de révision dans la configuration et traiter le point de terminaison comme une infrastructure non fiable derrière une solution de repli.

C’est aussi là que le routage mérite sa place plutôt que de rester un slogan. OrcaRouter propose déjà TypeSafe Jev 1.14 — typesafe/jev-1.14, à 0,042 $ par million de jetons d’entrée — ce qui signifie que le motif de modèle de décision est appelable dès aujourd’hui avec une seule clé aux côtés des modèles génératifs auprès desquels il figurerait. Sing VL S1 n’est pas sur OrcaRouter et il n’y a rien à annoncer à son sujet ici ; le fait pertinent est plus circonscrit et plus utile. Vous pouvez mesurer le motif sur un point de terminaison opérationnel avant de vous engager à servir un checkpoint de 9 Go dont les conditions d’utilisation sont vides, et si le checkpoint gagne ensuite sa place, un second contrat n’est pas le coût de son adoption.

Qu’est-ce qui ferait passer cela du statut de curiosité à celui de décision ?

Trois choses, par ordre de ce qu’elles vous apprendraient. Un fichier de licence, car sans lui rien d’autre n’a d’importance sur le plan commercial. Une soumission au Decision Index accompagnée d’un répertoire d’exécution, car la section soumission de la fiche décrit exactement l’artefact qui permettrait à un tiers de vérifier 69.76 et 73.94 plutôt que de les accepter sur parole. Et une seconde évaluation indépendante sur un banc d’essai contrôlé par quelqu’un d’autre, car un modèle qui gagne sur un benchmark que ses propres auteurs ont contribué à formaliser a besoin d’un second avis avant d’avoir besoin d’un article de lancement.

D'ici là, la bonne façon de lire cette publication est celle dont on lirait une préimpression à laquelle il manque la section des méthodes : l'artefact est réel, les chiffres sont ceux des auteurs, et ce qui est intéressant, c'est qu'un modèle de vision de 4,5 milliards de paramètres conçu pour des vecteurs de probabilité plutôt que pour des paragraphes existe désormais tout court. Que cela devienne une catégorie ou une note de bas de page dépend de documents que le dépôt ne contient pas encore.