SingVL_S1_4B: Il modello decisionale da 4,54B che inclusionAI ha rilasciato senza una parola

Alle 03:58 UTC dell'11 novembre 2026, un repository chiamato SingVL_S1_4B è apparso nell'organizzazione inclusionAI su Hugging Face. Alle 05:38 UTC, qualcuno ha modificato il suo README. Al momento in cui questo testo è stato scritto non c'era alcun post sul blog del laboratorio, nessun articolo arXiv, nessuna release su GitHub, nessuna voce nel catalogo di alcun fornitore di inferenza, e il contatore dei download segnava zero. La scheda del modello scrive il nome con gli spazi — Sing VL S1 — e lo descrive come un modello decisionale multimodale basato su Q​wen3.5. Questo è l'intero registro pubblico. Tutto quanto segue è ricavato dai file presenti in quel repository, e tutto ciò che suona come un'affermazione è etichettato come tale.

Che cosa significa qui, precisamente, “decision model”?

Questo non è un modello di chat con la visione aggiunta a posteriori. Non gli si invia un prompt e si legge un paragrafo in risposta. Gli si invia uno stato — testo, JSON o fino a quattro immagini — più un dizionario di domande denominate, e ogni domanda dichiara il proprio tipo e le proprie risposte candidate. Il modello esegue un singolo passaggio in avanti e restituisce una probabilità per ogni candidato.

Esistono tre tipi di domanda, e i nomi sono quelli del modello stesso:

• Scelta — scegli una delle opzioni fornite; la risposta riporta una probabilità per opzione.

• Noul — una proposizione sì/no; la risposta è la probabilità che sia vera. L'ortografia è insolita ed è quella usata dalla carta.

• Punteggio — valuta l'input su 2-10 livelli ordinati; la risposta riporta la probabilità di ciascun livello più un livello atteso calcolato come la somma dell'indice a base zero moltiplicato per la probabilità.

Quindi un'unica richiesta può chiedere «quale colore viene nominato», «il colore nominato è rosso» e «con quanta chiarezza il testo identifica il colore come rosso», e ottenere tre risposte con i relativi livelli di confidenza da un'unica passata. L'esempio della scheda stessa fa esattamente questo, poi lo ripete su due immagini per chiedere quale delle due sia rossa.

La conseguenza architetturale è che il vocabolario di output non è un vocabolario. Non c'è campionamento, non c'è temperatura, non c'è alcun flusso di token da analizzare e nessuna modalità JSON da persuadere. Se la tua pipeline attualmente termina con una regex sul testo in prosa di un modello per estrarre un'etichetta, questa è la forma di modello che elimina la regex. Se la tua pipeline ha bisogno del testo in prosa — un riassunto, una motivazione, una chiamata a uno strumento — questo modello non ha nulla da darti, perché non lo genera mai.

I numeri, e di chi sono i numeri

La scheda pubblica una tabella intitolata "Public Decision Index 0.3". Sing VL S1 ottiene 69,76 sul pannello Testo e 73,94 sul pannello Vision. Le colonne di confronto sono TypeSafe Jev 1.14 a 60,70 sul testo senza alcun punteggio Vision pubblicato, StartLux-Decision v1.1 4B a 67,8 sul testo e 67,90 sulla visione, e Perplexity Decider Flash v1.2 (4B) a 60,1 sul testo e 72,5 sulla visione.

Leggilo come un'autodichiarazione. Ogni cifra in esso proviene dal laboratorio che ha addestrato il modello, su una classifica il cui kit di valutazione è pubblico ma la cui metà privata non lo è, e nessuna terza parte ha rieseguito alcunché. Il kit di riproduzione del Decision Index stesso — il progetto decision-index che ricostruisce la suite pubblica e valuta le esecuzioni inviate — non mostra alcun invio di SingVL in nessun punto della cronologia delle sue issue o pull request a partire da questa mattina. La scheda include le istruzioni per l'invio, che sono un onesto segnale di intento e non una prova di un risultato.

L'analisi dettagliata per dataset è più utile del dato principale, perché mostra da dove deriva l'aggregato. Sugli undici dataset di visione le righe più forti sono InfographicVQA a 96,31, Winoground a 93,12 e il set di informazioni chiave CORD-plus-FUNSD a 95,82. Le righe deboli sono altrettanto informative: MMMU-Pro vision si attesta a 50,17 senza skill e a 42,85 con il prompt skill, R-Bench-M a 49,77 e 39,72, e la moderazione dei meme d'odio a 71,64 scende a 43,28. È un modello che legge bene documenti e layout e ragiona male su figure accademiche difficili — un profilo coerente con un backbone da 4,5 miliardi di parametri che fa classificazione anziché deliberazione.

Sui quarantatré dataset testuali, BFCL a 96,81 e CLINC150 a 97,03 sono i valori migliori; HLE a 12,77, ChessBench a 26,88 e il set di dialoghi SGD a 8,33 sono il livello minimo. La scheda contrassegna diverse righe con un pugnale per indicare che l'indice le riporta separatamente invece di accorparle, ed è il tipo di trasparenza che rende più facile fidarsi del resto della tabella.

Cosa c'è effettivamente nel repository

Due shard safetensors per un totale di circa 9,1 GB che, in BF16, corrispondono a roughly 4,54 miliardi di parametri — il nome del repository dice 4B, la barra laterale di Hugging Face arrotonda a 5B, e il totale dei tensori è il numero intermedio. Una configurazione che dichiara l'architettura di generazione condizionale Qwen3.5 con una dimensione nascosta di 2560. Un template di chat da 7,7 KB che gestisce token per immagini e video. E una directory inference/ contenente ciò che rende tutto questo utilizzabile: un wrapper Python, un server FastAPI, uno script di benchmark e due immagini di esempio, una blu e una rossa.

La configurazione è specificata fino alla versione patch: Python 3.12, PyTorch e torchvision allineati all'hardware, dipendenze installate dall'interno di inference/. Il server è in esecuzione sulla porta 8173 e risponde su POST /v1/systemone. Quel percorso non è una rotta compatibile con OpenAI e non finge di esserlo; è il formato di comunicazione che parla il kit di valutazione Decision Index. La guida rapida della scheda collega il kit direttamente a quell'endpoint, prima per la suite testuale e poi per la suite visiva con un budget esplicito di pixel di 1.638.400 per immagine.

Due limiti contano a livello operativo e sono dichiarati nella scheda anziché essere scoperti in produzione: quattro immagini per richiesta e 65.536 token di input per il solo testo o 10.000 token una volta allegate le immagini. La configurazione del processore imposta un massimo di 1.806.336 pixel per immagine, quindi uno screenshot a pagina intera verrà ridimensionato verso il basso prima di essere letto.

Il file di configurazione tradisce la sua provenienza

Apri config.json e compaiono una serie di chiavi non standard di Qwen3.5: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. Il contratto di prefisso recita "all-input-before-first-answer; single-turn; no-thinking". Il blocco soft-choice contiene gli hash SHA-256 dei file Python che implementano il readout, fissati in modo che un valutatore possa confermare che il codice che ha prodotto un punteggio è il codice distribuito.

A una lettura immediata, "j​ev" è il nome dell'harness condiviso in cui questo modello è stato costruito — la stessa famiglia di harness attorno a cui sono organizzati i modelli J​ev di TypeSafe e il kit Decision Index. Si tratta di un'inferenza basata su una stringa in un file di configurazione, non di una dichiarazione del fornitore, ed è la cosa inspiegata più interessante della release. Suggerisce che Sing VL S1 non sia un esperimento da zero sulle decisioni tipizzate, bensì un checkpoint di visione Q​wen3.5 adattato a un protocollo esistente, con i meccanismi interni del protocollo forniti insieme affinché i risultati possano essere riprodotti.

C'è un progetto gemello nella stessa organizzazione che supporta la lettura. LemonDecider di inclusionAI, pubblicato a fine ottobre su una base Qwen3.5-4B, è un motore decisionale solo testuale con una lettura a 255 opzioni e una costante di calibrazione della temperatura; la sua scheda descrive lo stesso vocabolario choice/noul/score e lo stesso design a singolo passaggio forward. Sing VL S1 sembra l'estensione di quella linea di lavoro alle immagini. L'organizzazione non lo ha dichiarato.

Quello che manca non è una questione estetica.

• Nessuna licenza. I metadati della model card dichiarano tag per l'architettura e per il task, ma nessun campo licenza, e nel repository non è presente alcun file LICENSE. In assenza di licenza, l'impostazione predefinita non è "aperto": è "tutti i diritti riservati, chiedere all'autore". Un team che deve distribuire questo modello commercialmente non ha ancora alcun permesso su cui fare affidamento, e dovrebbe dirlo ai propri legali prima di dirlo alla propria roadmap.

• Nessun articolo. L'organizzazione ha trentuno articoli sul proprio profilo Hugging Face e nessuno di essi riguarda questo modello. Non c'è una sezione metodologica, nessuna descrizione dei dati di addestramento, nessuna dichiarazione su cosa siano stati messi a punto i 4,54 miliardi di parametri.

• Nessun annuncio. La scheda dell'organizzazione continua a indirizzare i follower al suo GitHub e ai suoi due account X per le notizie sulle release; nessuno dei due canali ha un post su questo repository che sia stato possibile trovare oggi. Il GitHub dell'organizzazione non contiene alcun repository SingVL.

• Nessun endpoint ospitato. Nessun provider di inferenza lo elenca. L'unico modo per eseguirlo è scaricare 9,1 GB e servirlo da soli.

• Nessun risultato indipendente. Già trattato sopra, e vale la pena ripeterlo perché è l'elemento che decide se il 69,76 significhi qualcosa per te.

Come lo useresti effettivamente, se decidi di farlo

La storia di deployment onesta è un sidecar, non una sostituzione. Metti il server FastAPI su una macchina con GPU, punta la tua pipeline esistente su di esso per il sotto-compito specifico in cui attualmente estrai un'etichetta dal testo generato — instradamento delle intenzioni, triage del tipo di documento, flag di moderazione, un gate sì/no prima di una chiamata costosa — e lascia il modello generativo dov'è per tutto ciò che richiede una spiegazione. L'output di probabilità è il punto: ottieni un numero su cui applicare una soglia, non una stringa di cui fidarti.

Ciò che rende economico provarlo è che l'API è una singola rotta con un corpo JSON piatto. Una funzione wrapper è il lavoro di una mattina. Ciò che rende costoso dipenderne è che un modello senza licenza, senza paper e con un repository vecchio di un giorno può cambiare o sparire senza preavviso, quindi fissa l'hash di revisione nella configurazione e tratta l'endpoint come infrastruttura non attendibile dietro un fallback.

È anche qui che il routing si guadagna il suo posto invece di essere uno slogan. OrcaRouter porta già TypeSafe Jev 1.14 — typesafe/jev-1.14, a $0.042 per milione di token di input — il che significa che il pattern del modello decisionale è oggi invocabile tramite una sola chiave accanto ai modelli generativi a cui starebbe vicino. Sing VL S1 non è su OrcaRouter e non c'è nulla da annunciare al riguardo qui; il fatto rilevante è più ristretto e più utile. Puoi misurare il pattern su un endpoint funzionante prima di impegnarti a servire un checkpoint da 9 GB i cui termini d'uso sono in bianco, e se il checkpoint in seguito si guadagna il suo posto, un secondo contratto non è il costo per adottarlo.

Cosa trasformerebbe questo da una curiosità in una decisione?

Tre cose, in ordine di quanto vi direbbero. Un file di licenza, perché senza di esso nient'altro conta commercialmente. Una sottomissione al Decision Index con una directory di esecuzione allegata, perché la sezione di sottomissione della scheda descrive esattamente l'artefatto che permetterebbe a un estraneo di verificare 69,76 e 73,94 invece di prenderli per buoni. E una seconda valutazione indipendente su un harness controllato da qualcun altro, perché un modello che vince su un benchmark che i suoi stessi autori hanno contribuito a formalizzare ha bisogno di una seconda opinione prima di aver bisogno di un post di lancio.

Fino ad allora, il modo corretto di leggere questa release è quello con cui leggeresti un preprint privo della sezione sui metodi: l'artefatto è reale, i numeri sono degli autori, e la parte interessante è che un modello visivo da 4,5 miliardi di parametri, costruito per vettori di probabilità anziché per paragrafi, ora esista affatto. Se questo diventi una categoria o una nota a piè di pagina dipende da documenti che il repository non contiene ancora.