SingVL_S1_4B：inclusionAIが何も告げずにリリースした4.54Bの意思決定モデル

2026年11月11日 03:58 UTCに、SingVL_S1_4BというリポジトリがHugging FaceのinclusionAI組織の下に現れた。05:38 UTCに、誰かがそのREADMEを編集した。これを執筆している時点で、ラボからのブログ投稿も、arXiv論文も、GitHubリリースもなく、どの推論プロバイダーのカタログにも項目はなく、ダウンロードカウンターはゼロのままだった。モデルカードでは名前がスペース入りで「Sing VL S1」と表記され、Q​wen3.5をベースに構築されたマルチモーダル意思決定モデルだと説明されている。これが公開記録のすべてだ。以下の内容はすべてそのリポジトリ内のファイルから読み取ったものであり、主張のように読めるものにはすべてその旨のラベルを付している。

ここで「decision model」とは、正確にはどういう意味ですか。

これは、視覚機能を後付けしたチャットモデルではない。プロンプトを送って段落を読み返すのではない。状態 — テキスト、JSON、または最大4枚の画像 — と、名前付きの質問の辞書を送ると、各質問がその型と候補回答を宣言する。モデルは1回のフォワードパスを実行し、すべての候補に対する確率を返す。

3つの質問タイプが存在し、その名前はモデル自身によるものです：

• 選択 — 提供された選択肢から1つを選ぶ；応答には選択肢ごとの確率が付随する。

• Noul — はい/いいえで答える命題。回答はそれが真である確率です。綴りは奇妙ですが、カードで使われているとおりのものです。

• スコア — 入力を2～10の順序レベルで評価する。応答には各レベルの確率に加え、0始まりのインデックス×確率の総和として計算される期待レベルが含まれる。

つまり、1回のリクエストで「どの色が名付けられているか」「名付けられた色は赤か」「テキストがその色を赤だとどれだけ明確に示しているか」を尋ね、1回の処理で信頼度付きの3つの回答を得られる。カード自体の例はまさにそうしており、さらにそれを2枚の画像にわたって繰り返して、どちらが赤かを尋ねている。

アーキテクチャ上の帰結として、出力語彙は語彙ではない。サンプリングも温度もなく、解析すべきトークンストリームも、誘導すべきJSONモードもない。現在のパイプラインが、モデルの文章に対する正規表現でラベルを抽出して終わるなら、これはその正規表現を不要にする形のモデルだ。パイプラインが文章——要約、根拠、ツール呼び出し——を必要とするなら、このモデルは何も提供できない。なぜなら、それを生成しないからだ。

その数字、そしてそれらが誰の数字であるか

カードは「Public Decision Index 0.3」という見出しの表を公開している。Sing VL S1はテキストパネルで69.76、ビジョンパネルで73.94を記録している。比較列は、TypeSafe Jev 1.14がテキスト60.70でビジョンスコアは未公開、StartLux-Decision v1.1 4Bがテキスト67.8およびビジョン67.90、Perplexity Decider Flash v1.2（4B）がテキスト60.1およびビジョン72.5である。

これは自己申告として受け止めるべきです。そこに載っている数値はすべて、そのモデルを学習させた研究所によるもので、スコアリングキットは公開されているものの非公開部分は公開されていないリーダーボード上のものであり、第三者による再実行は一切行われていません。Decision Index自身の再現キット——decision-indexプロジェクトは公開スイートを再構築し、提出された実行結果を採点するものですが——今朝時点のそのissueやpull requestの履歴のどこにも、SingVLの提出は見当たりません。カードには提出手順が記載されていますが、それは意図を示す妥当なシグナルではあっても、結果の証拠ではありません。

データセット別の内訳は見出しの数値よりも有用です。集計値がどこから来ているのかが分かるからです。11個の視覚データセットでは、最も強い行はInfographicVQAの96.31、Winogroundの93.12、CORD＋FUNSDの重要情報セットの95.82です。弱い行も同じくらい示唆に富みます。MMMU-Pro visionはスキルなしで50.17、スキルプロンプトありで42.85、R-Bench-Mは49.77と39.72、ヘイトミームのモデレーションは71.64から43.28へ低下します。これは、文書やレイアウトをよく読み取る一方で、難しい学術的数値についての推論は苦手なモデルです。熟考ではなく分類を行っている45億パラメータのバックボーンと整合するプロファイルです。

43のテキストデータセットでは、BFCLが96.81、CLINC150が97.03で際立っており、HLEが12.77、ChessBenchが26.88、SGD対話セットが8.33で最低水準です。カードではいくつかの行にダガー記号が付いており、インデックスがそれらをまとめて含めるのではなく個別に報告していることを示しています。この種の開示は、表の残りをより信頼しやすくします。

リポジトリには実際に何が入っているのですか

約9.1 GBのsafetensorsシャード2つ。BF16ではおよそ45.4億パラメータに相当する — リポジトリ名は4Bと記載し、Hugging Faceのサイドバーは5Bに丸めており、テンソル総数はその中間の数値だ。隠れ次元数2560のQ​wen3.5 conditional-generationアーキテクチャを宣言する設定。画像トークンと動画トークンを扱う7.7 KBのチャットテンプレート。そして、これを実際に使えるものにするものが入ったinference/ディレクトリ：Pythonラッパー、FastAPIサーバー、ベンチマークスクリプト、およびサンプル画像2枚（1枚は青、1枚は赤）。

セットアップはパッチバージョンに至るまで指定されています。Python 3.12、ハードウェアに合わせた PyTorch と torchvision、そして inference/ 内からインストールされる requirements です。サーバーはポート 8173 で動作し、POST /v1/systemone で応答します。このパスは OpenAI 互換のルートではなく、そのふりもしません。これは Decision Index 評価キットが用いる通信形式です。カードのクイックスタートでは、キットをそのエンドポイントに直接接続します。まずテキストスイートに対して、次に画像あたり 1,638,400 という明示的なピクセル予算を伴ってビジョンスイートに対して行います。

運用上重要な2つの制限は、本番環境で判明するのではなくカードに明記されています。リクエストあたり4枚の画像、およびテキストのみの場合は入力65,536トークン、画像を添付した場合は10,000トークンです。プロセッサ設定では画像あたり最大1,806,336ピクセルに設定されているため、フルページのスクリーンショットは読み取られる前にダウンスケールされます。

設定ファイルからその系譜が読み取れる

config.json を開くと、標準の Q​wen3.5 にはないキー群が現れます: jev_gdn_mode、jev_mask_version、jev_packing、jev_prefix_contract、jev_soft_choice。プレフィックス契約には「all-input-before-first-answer; single-turn; no-thinking」と書かれています。ソフトチョイスブロックには、読み出しを実装する Python ファイルの SHA-256 ハッシュが含まれており、評価者がスコアを生成したコードが出荷されたコードであることを確認できるように固定されています。

素直に読めば、「j​ev」はこのモデルが組み込まれた共有ハーネスの名前だ——TypeSafe の J​ev モデル群と Decision Index キットが中心に据えているのと同じハーネスファミリーである。これは設定ファイル内の文字列からの推測であって、ベンダーによる声明ではなく、このリリースで最も興味深い未説明の点だ。これは Sing VL S1 が型付き意思決定におけるゼロからの実験ではなく、既存のプロトコルに適応させた Q​wen3.5 のビジョンチェックポイントであり、結果を再現できるようプロトコルの内部も併せて提供されていることを示唆している。

同一組織内には、この解釈を裏付ける兄弟的存在がある。inclusionAIのLemonDeciderは、10月下旬にQwen3.5-4Bベースで公開された、255選択肢の読み出しと温度較正定数を備えたテキスト専用の意思決定エンジンであり、そのカードには同じchoice/noul/score語彙と同じ単一フォワードパス設計が記述されている。Sing VL S1は、その一連の作業を画像へ拡張したもののように見える。組織はそう明言していない。

欠けているのは見た目だけの問題ではない

• ライセンスなし。モデルカードのメタデータにはアーキテクチャとタスクのタグが宣言されているが、ライセンスフィールドは一切なく、リポジトリにも LICENSE ファイルは存在しない。ライセンスがなければ、デフォルトは「オープン」ではない。「全権利留保、著者に問い合わせ」である。これを商業的に出荷する必要があるチームには、まだ依拠できる許可がない。そのため、ロードマップに伝える前に、法務担当者にその旨を伝えるべきだ。

• 論文はありません。この組織のHugging Faceプロフィールには31本の論文がありますが、そのいずれもこのモデルに関するものではありません。手法のセクションも、学習データの説明も、45.4億のパラメータが何に基づいて調整されたかについての記述もありません。

• 発表はありません。組織カードはリリース情報について、フォロワーをGitHubと2つのXアカウントへ引き続き誘導していますが、本日確認できる限り、どちらのチャネルにもこのリポジトリに関する投稿はありません。組織のGitHubにはSingVLリポジトリがありません。

• ホスト型エンドポイントはありません。どの推論プロバイダーも提供していません。実行する唯一の方法は、9.1 GB をダウンロードして自分でサーブすることです。

• 独立した結果はありません。すでに上記で述べましたが、繰り返す価値があります。なぜなら、69.76があなたにとって意味を持つかどうかを決めるのは、まさにこの点だからです。

もし使うことに決めた場合、実際にどう使うか

正直な導入の形はサイドカーであって、置き換えではない。FastAPIサーバーをGPUマシンに置き、生成テキストからラベルを解析している特定のサブタスク——インテントルーティング、文書種別のトリアージ、モデレーションフラグ、高コストな呼び出しの前のyes/noゲート——では、既存のパイプラインをそちらに向け、説明が必要なすべてのものについては生成モデルを今ある場所にそのまま残す。要点は確率の出力にある。信頼すべき文字列ではなく、しきい値を設定できる数値が得られるのだ。

これを安く試せるのは、APIが1本のルートとフラットなJSONボディだけだからだ。ラッパー関数なら午前中の作業で済む。依存するのが高くつくのは、ライセンスも論文もなく、リポジトリができて1日しか経っていないモデルは、予告なく変更されたり消えたりしうるからだ。だから設定でリビジョンハッシュを固定し、エンドポイントはフォールバックの背後にある信頼できないインフラとして扱うこと。

ここでもまた、ルーティングがスローガンではなく、その価値を発揮する場面です。 OrcaRouter はすでに TypeSafe Jev 1.14 を搭載しています — typesafe/jev-1.14、入力トークン100万あたり $0.042 — つまり、判断モデルのパターンは、今日、1つのキーで呼び出せますそれが隣り合うことになる生成モデルと並んで。Sing VL S1 は OrcaRouter 上にはなく、ここでそれについて発表することはありません。関連する事実はより限定的で、より有用です。利用規約が空欄の 9 GB チェックポイントの提供を確約する前に、稼働中のエンドポイントでこのパターンを測定できます。そして、そのチェックポイントが後でその地位を得たとしても、2つ目の契約がそれを採用するコストになるわけではありません。

何があれば、これは好奇心から意思決定へと変わるのだろうか

どれだけのことを教えてくれるかの順に、3つ挙げる。ライセンスファイルだ。それがなければ、他の何も商業的には意味を持たないからだ。実行ディレクトリを添えた Decision Index への提出物だ。カードの提出セクションには、部外者が69.76と73.94を鵜呑みにせず検証できるようにする成果物がまさに記述されているからだ。そして、他者が管理するハーネスでの2回目の独立評価だ。自らの著者らが形式化に関与したベンチマークで勝つモデルは、ローンチ投稿より先にセカンドオピニオンを必要とするからだ。

それまでは、このリリースを読む正しい方法は、手法のセクションが欠けたプレプリントを読むのと同じだ。成果物は実在し、数値は著者たちのものであり、興味深いのは、段落ではなく確率ベクトルのために作られた45億パラメータの視覚モデルが、今やそもそも存在するということだ。それがカテゴリーになるか脚注になるかは、リポジトリがまだ含んでいない書類次第である。