SingVL_S1_4B: Model Keputusan 4,54B yang Dirilis inclusionAI Tanpa Sepatah Kata

Pada 03:58 UTC tanggal 11 November 2026, sebuah repositori bernama SingVL_S1_4B muncul di bawah organisasi inclusionAI di Hugging Face. Pada 05:38 UTC, seseorang mengedit README-nya. Saat tulisan ini dibuat, tidak ada postingan blog dari lab, tidak ada makalah arXiv, tidak ada rilis GitHub, tidak ada entri di katalog penyedia inferensi mana pun, dan penghitung unduhan berada di angka nol. Kartu model menuliskan namanya dengan spasi — Sing VL S1 — dan mendeskripsikannya sebagai model keputusan multimodal yang dibangun di atas Qwen3.5. Itulah seluruh catatan publiknya. Semua yang di bawah ini dibaca dari berkas-berkas di repositori tersebut, dan semua yang terdengar seperti klaim diberi label sebagai klaim.

Apa yang dimaksud dengan "decision model" di sini, secara tepat?

Ini bukan model chat yang sekadar ditempeli kemampuan visual. Anda tidak mengirimkan prompt lalu membaca kembali satu paragraf. Anda mengirimkan state — teks, JSON, atau hingga empat gambar — plus kamus pertanyaan bernama, dan setiap pertanyaan mendeklarasikan tipenya serta jawaban kandidatnya. Model menjalankan satu forward pass dan mengembalikan probabilitas untuk setiap kandidat.

Ada tiga jenis pertanyaan, dan namanya berasal dari model itu sendiri:

• Pilihan — pilih salah satu opsi yang disediakan; respons membawa probabilitas per opsi.

• Noul — proposisi ya/tidak; responsnya adalah probabilitas bahwa itu benar. Ejaannya aneh dan itulah yang digunakan kartu.

• Skor — nilai input pada 2 hingga 10 tingkat terurut; respons memuat probabilitas setiap tingkat ditambah tingkat ekspektasi yang dihitung sebagai jumlah indeks berbasis nol dikali probabilitas.

Jadi satu permintaan dapat menanyakan "warna apa yang disebutkan", "apakah warna yang disebutkan itu merah", dan "seberapa jelas teks mengidentifikasi warna tersebut sebagai merah", lalu mendapatkan tiga jawaban beserta tingkat keyakinan dari satu kali proses. Contoh pada kartu itu sendiri melakukan persis hal itu, lalu mengulanginya pada dua gambar untuk menanyakan mana yang merah.

Konsekuensi arsitekturalnya adalah bahwa kosakata keluaran bukanlah kosakata. Tidak ada sampling, tidak ada temperature, tidak ada aliran token untuk diurai, dan tidak ada mode JSON untuk dibujuk. Jika pipeline Anda saat ini berakhir dengan regex atas prosa model untuk mengekstrak label, inilah bentuk model yang menghilangkan regex tersebut. Jika pipeline Anda membutuhkan prosa — ringkasan, alasan, panggilan alat — model ini tidak punya apa pun untuk diberikan kepada Anda, karena model ini tidak pernah menghasilkannya.

Angka-angka itu, dan milik siapa angka-angka tersebut.

Kartu tersebut menerbitkan tabel berjudul "Public Decision Index 0.3". Sing VL S1 memperoleh skor 69,76 pada panel Text dan 73,94 pada panel Vision. Kolom perbandingan adalah TypeSafe Jev 1.14 pada 60,70 untuk text tanpa skor vision yang dipublikasikan, StartLux-Decision v1.1 4B pada 67,8 text dan 67,90 vision, serta Perplexity Decider Flash v1.2 (4B) pada 60,1 text dan 72,5 vision.

Bacalah itu sebagai laporan mandiri. Setiap angka di dalamnya berasal dari lab yang melatih model, pada papan peringkat yang perangkat penilaiannya publik tetapi separuh privatnya tidak, dan belum ada pihak ketiga yang menjalankan ulang apa pun darinya. Perangkat reproduksi Decision Index itu sendiri — proyek decision-index yang membangun ulang suite publik dan menilai run yang dikirim — tidak menunjukkan adanya pengajuan SingVL di mana pun dalam riwayat issue atau pull request-nya per pagi ini. Kartu tersebut memang mencantumkan instruksi pengajuan, yang merupakan sinyal niat yang wajar dan bukan bukti suatu hasil.

Rincian per-dataset lebih berguna daripada angka utamanya, karena menunjukkan dari mana agregat berasal. Pada sebelas dataset visi, baris terkuat adalah InfographicVQA pada 96.31, Winoground pada 93.12, dan set informasi kunci CORD-plus-FUNSD pada 95.82. Baris lemahnya sama informatifnya: MMMU-Pro vision berada pada 50.17 non-skill dan 42.85 dengan prompt skill, R-Bench-M pada 49.77 dan 39.72, serta moderasi meme kebencian pada 71.64 turun ke 43.28. Itu adalah model yang membaca dokumen dan tata letak dengan baik dan bernalar buruk tentang angka akademik yang sulit — profil yang konsisten dengan backbone 4,5 miliar parameter yang melakukan klasifikasi alih-alih deliberasi.

Pada empat puluh tiga kumpulan data teks, BFCL pada 96,81 dan CLINC150 pada 97,03 adalah yang paling menonjol; HLE pada 12,77, ChessBench pada 26,88, dan kumpulan dialog SGD pada 8,33 adalah yang paling rendah. Kartu tersebut menandai beberapa baris dengan tanda belati untuk menyatakan bahwa indeks melaporkannya secara terpisah alih-alih memasukkannya ke dalam perhitungan, yang merupakan jenis pengungkapan yang membuat sisa tabel lebih mudah dipercaya.

Apa yang sebenarnya ada di dalam repositori

Dua shard safetensors dengan total sekitar 9,1 GB, yang pada BF16 setara dengan sekitar 4,54 miliar parameter — nama repositori menyebut 4B, bilah samping Hugging Face membulatkannya menjadi 5B, dan total tensor adalah angka di antaranya. Sebuah konfigurasi yang mendeklarasikan arsitektur generasi bersyarat Qwen3.5 dengan ukuran tersembunyi 2560. Templat obrolan 7,7 KB yang menangani token gambar dan video. Dan direktori inference/ yang berisi hal yang membuat semua ini dapat digunakan: wrapper Python, server FastAPI, skrip benchmark, dan dua contoh gambar, satu biru dan satu merah.

Setup ini dispesifikasikan hingga versi patch: Python 3.12, PyTorch dan torchvision yang disesuaikan dengan perangkat keras, requirements yang dipasang dari dalam inference/. Server berjalan pada port 8173 dan merespons pada POST /v1/systemone. Jalur tersebut bukan rute yang kompatibel dengan OpenAI dan tidak berpura-pura menjadi demikian; itu adalah format wire yang digunakan oleh kit evaluasi Decision Index. Quickstart pada kartu tersebut menghubungkan kit ke endpoint itu secara langsung, pertama untuk suite teks lalu untuk suite visi dengan anggaran piksel eksplisit sebesar 1,638,400 per gambar.

Dua batas penting secara operasional dan dinyatakan di kartu alih-alih ditemukan di produksi: empat gambar per permintaan, dan 65.536 token input untuk hanya teks atau 10.000 token setelah gambar dilampirkan. Konfigurasi prosesor menetapkan maksimum 1.806.336 piksel per gambar, sehingga tangkapan layar satu halaman penuh akan diperkecil sebelum dibaca.

File konfigurasi itu mengungkap asal-usulnya.

Buka config.json dan muncul serangkaian kunci yang bukan standar Q​wen3.5: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. Kontrak prefix berbunyi "all-input-before-first-answer; single-turn; no-thinking". Blok soft-choice memuat hash SHA-256 dari file-file Python yang mengimplementasikan readout, dipin agar evaluator dapat memastikan bahwa kode yang menghasilkan skor adalah kode yang dikirim.

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.

Ada satu saudara dalam organisasi yang sama yang mendukung pembacaan tersebut. LemonDecider milik inclusionAI, yang diterbitkan pada akhir Oktober di atas basis Qwen3.5-4B, adalah mesin keputusan khusus teks dengan readout 255 opsi dan konstanta kalibrasi suhu; kartunya menjelaskan kosakata choice/noul/score yang sama dan desain satu-forward-pass yang sama. Sing VL S1 tampak seperti lini pekerjaan itu yang diperluas ke gambar. Organisasi tersebut belum mengatakan demikian.

Yang hilang bukanlah sekadar kosmetik

• Tidak ada lisensi. Metadata kartu model mendeklarasikan tag untuk arsitektur dan tugas, tetapi sama sekali tidak ada bidang lisensi, dan tidak ada berkas LICENSE di repositori. Tanpa lisensi, defaultnya bukan "terbuka" — melainkan "seluruh hak dilindungi, tanyakan kepada penulis". Tim yang perlu merilis ini secara komersial belum memiliki izin yang dapat diandalkan, dan sebaiknya menyampaikan hal itu kepada tim hukumnya sebelum menyampaikannya ke peta jalan mereka.

• Tidak ada makalah. Organisasi tersebut memiliki tiga puluh satu makalah di profil Hugging Face-nya dan tidak satu pun membahas model ini. Tidak ada bagian metode, tidak ada deskripsi data pelatihan, tidak ada pernyataan tentang apa yang digunakan untuk menyetel 4,54 miliar parameter.

• Tidak ada pengumuman. Kartu organisasi masih mengarahkan pengikut ke GitHub dan dua akun X-nya untuk berita rilis; tidak ada saluran yang memiliki unggahan tentang repositori ini yang dapat ditemukan hari ini. GitHub organisasi tersebut tidak memiliki repositori SingVL.

• Tidak ada endpoint yang dihosting. Tidak ada penyedia inferensi yang mencantumkannya. Satu-satunya cara untuk menjalankannya adalah mengunduh 9,1 GB dan menyajikannya sendiri.

• Tidak ada hasil independen. Sudah dibahas di atas, dan penting untuk diulang karena inilah yang menentukan apakah 69,76 berarti apa pun bagi Anda.

Bagaimana Anda benar-benar akan menggunakannya, jika Anda memutuskan untuk melakukannya

Kisah deployment yang jujur adalah sidecar, bukan pengganti. Letakkan server FastAPI di mesin GPU, arahkan pipeline yang sudah ada ke sana untuk subtugas spesifik tempat Anda saat ini mengurai label dari teks yang dihasilkan — perutean intent, triase jenis dokumen, flag moderasi, gerbang ya/tidak sebelum panggilan yang mahal — dan biarkan model generatif tetap di tempatnya untuk semua hal yang memerlukan penjelasan. Output probabilitas adalah intinya: Anda mendapatkan angka untuk dijadikan ambang batas, bukan string untuk dipercaya.

Hal yang membuat ini murah untuk dicoba adalah bahwa API-nya hanya satu rute dengan body JSON yang datar. Fungsi wrapper adalah pekerjaan satu pagi. Hal yang membuat ketergantungan padanya mahal adalah bahwa model tanpa lisensi, tanpa makalah, dan repositori berusia satu hari dapat berubah atau hilang tanpa pemberitahuan, jadi sematkan hash revisi di konfigurasi dan perlakukan endpoint itu sebagai infrastruktur tak tepercaya di balik fallback.

Di situlah pula routing membuktikan kegunaannya, bukan sekadar slogan. OrcaRouter sudah menyediakan TypeSafe Jev 1.14 — typesafe/jev-1.14, dengan $0.042 per juta token masukan — yang berarti pola model keputusan dapat dipanggil hari ini melalui satu kunci bersama model-model generatif yang akan berada di sebelahnya. Sing VL S1 tidak ada di OrcaRouter dan tidak ada yang perlu diumumkan tentangnya di sini; fakta yang relevan lebih sempit dan lebih berguna. Anda dapat mengukur pola tersebut pada endpoint yang berfungsi sebelum berkomitmen untuk menyajikan checkpoint 9 GB yang ketentuan penggunaannya kosong, dan jika checkpoint tersebut kelak membuktikan nilainya, kontrak kedua bukanlah biaya untuk mengadopsinya.

Apa yang akan mengubah ini dari sekadar keingintahuan menjadi keputusan

Tiga hal, sesuai urutan seberapa besar hal itu akan memberi tahu Anda. File lisensi, karena tanpa itu tidak ada hal lain yang berarti secara komersial. Pengajuan ke Decision Index dengan direktori run terlampir, karena bagian pengajuan pada kartu itu menjelaskan persis artefak yang akan memungkinkan orang luar memeriksa 69.76 dan 73.94 alih-alih menerimanya begitu saja. Dan evaluasi independen kedua pada harness yang dikendalikan orang lain, karena model yang menang pada benchmark yang turut diformalkan oleh penulisnya sendiri memerlukan pendapat kedua sebelum memerlukan postingan peluncuran.

Sampai saat itu, cara yang tepat untuk membaca rilisan ini adalah cara Anda membaca pra-cetak yang bagian metodenya hilang: artefaknya nyata, angkanya milik penulis, dan bagian yang menarik adalah bahwa model visi 4,5 miliar parameter yang dibangun untuk vektor probabilitas, bukan paragraf, kini benar-benar ada. Apakah itu akan menjadi kategori atau catatan kaki bergantung pada dokumen yang belum dimuat repositori ini.