SingVL_S1_4B: inclusionAI가 말 한마디 없이 출시한 4.54B 의사결정 모델

2026년 11월 11일 03:58 UTC에, SingVL_S1_4B라는 저장소가 Hugging Face의 inclusionAI 조직 아래에 등장했습니다. 05:38 UTC에 누군가 해당 저장소의 README를 편집했습니다. 이 글을 작성할 무렵, 해당 연구소의 블로그 글도, arXiv 논문도, GitHub 릴리스도, 어떤 추론 제공업체의 카탈로그 항목도 없었고, 다운로드 카운터는 0에 머물러 있었습니다. 모델 카드는 이름을 공백으로 구분해 Sing VL S1이라고 표기하며, 이를 Q​wen3.5를 기반으로 구축된 멀티모달 의사결정 모델이라고 설명합니다. 이것이 공개 기록의 전부입니다. 아래의 모든 내용은 해당 저장소의 파일에서 읽어낸 것이며, 주장처럼 읽히는 모든 내용은 주장으로 표시되어 있습니다.

여기서 "decision model"이 정확히 무엇을 의미하나요?

이것은 비전을 덧붙인 챗 모델이 아니다. 프롬프트를 보내고 문단을 돌려받는 방식이 아니다. 텍스트, JSON 또는 최대 4개의 이미지로 구성된 상태와 이름이 지정된 질문들의 사전을 보내며, 각 질문은 자신의 유형과 후보 답변들을 선언한다. 모델은 순전파를 한 번 실행하고 모든 후보에 대한 확률을 반환한다.

세 가지 질문 유형이 존재하며, 그 명칭은 모델 자체의 것입니다:

• 선택 — 제공된 옵션 중 하나를 고르세요; 응답은 옵션마다 확률을 포함합니다.

• Noul — 예/아니오 명제이며, 응답은 그것이 참일 확률입니다. 철자가 이상하지만 카드에서 사용하는 표기입니다.

• 점수 — 입력을 2~10의 순서형 등급으로 평가합니다. 응답에는 각 등급의 확률과 함께, 0부터 시작하는 인덱스에 확률을 곱한 값의 합으로 계산된 기대 등급이 포함됩니다.

그래서 한 번의 요청으로 "어떤 색이 명명되었는가", "명명된 색이 빨간색인가", "텍스트가 그 색을 빨간색으로 얼마나 명확하게 식별하는가"를 물을 수 있고, 한 번의 처리로 신뢰도와 함께 세 가지 답을 얻을 수 있습니다. 카드 자체의 예시가 바로 그렇게 한 뒤, 이를 두 이미지에 걸쳐 반복하여 어느 것이 빨간색인지 묻습니다.

아키텍처적 결과는 출력 어휘가 어휘가 아니라는 점입니다. 샘플링도, temperature도, 파싱할 토큰 스트림도, 끌어내야 할 JSON 모드도 없습니다. 현재 파이프라인이 모델의 산문에 정규식을 적용해 레이블을 추출하는 방식으로 끝난다면, 이것이 바로 정규식을 제거하는 모델의 형태입니다. 파이프라인에 산문—요약, 근거, 도구 호출—이 필요하다면, 이 모델은 제공할 것이 없습니다. 왜냐하면 산문을 결코 생성하지 않기 때문입니다.

그 숫자들, 그리고 그 숫자들이 누구의 숫자인지

이 카드는 "공공 결정 지수 0.3"이라는 제목의 표를 게시합니다. Sing VL S1은 Text 패널에서 69.76점, Vision 패널에서 73.94점을 기록합니다. 비교 열은 TypeSafe Jev 1.14가 텍스트 60.70점이며 비전 점수는 게시되지 않았고, StartLux-Decision v1.1 4B는 텍스트 67.8점 및 비전 67.90점, Perplexity Decider Flash v1.2 (4B)는 텍스트 60.1점 및 비전 72.5점입니다.

이것은 자기 보고로 읽어야 합니다. 여기 등장하는 모든 수치는 모델을 훈련시킨 연구소가 내놓은 것으로, 채점 도구는 공개되어 있지만 비공개 절반은 그렇지 않은 리더보드에서 나온 것이며, 어느 제3자도 이를 다시 실행해 본 적이 없습니다. Decision Index 자체의 재현 키트 — decision-index공개 스위트를 다시 구축하고 제출된 실행을 채점하는 프로젝트 — 는 오늘 아침 기준으로 이슈나 풀 리퀘스트 이력 어디에도 SingVL 제출을 보여주지 않습니다. 카드에는 제출 지침이 포함되어 있는데, 이는 의도를 보여주는 타당한 신호일 뿐 결과의 증거는 아닙니다.

데이터셋별 세부 분석은 헤드라인 수치보다 더 유용합니다. 집계가 어디서 나오는지 보여주기 때문입니다. 11개 비전 데이터셋에서 가장 강한 항목은 InfographicVQA 96.31, Winoground 93.12, CORD-plus-FUNSD 핵심 정보 세트 95.82입니다. 약한 항목도 마찬가지로 많은 정보를 줍니다. MMMU-Pro vision은 비스킬 50.17, 스킬 프롬프트 사용 시 42.85이고, R-Bench-M은 49.77 및 39.72이며, 혐오 밈 모더레이션은 71.64에서 43.28로 떨어집니다. 이는 문서와 레이아웃은 잘 읽지만 어려운 학술 수치에 대한 추론은 취약한 모델입니다. 즉, 숙고보다는 분류를 수행하는 45억 매개변수 백본과 일치하는 프로필입니다.

43개 텍스트 데이터셋에서는 BFCL이 96.81, CLINC150이 97.03으로 두드러지고, HLE가 12.77, ChessBench가 26.88, SGD 대화 세트가 8.33으로 최저치다. 이 카드는 여러 행에 단검 표시를 달아 해당 지수가 이를 합산하지 않고 별도로 보고한다는 점을 나타내는데, 이는 나머지 표를 더 신뢰하기 쉽게 만드는 종류의 공개다.

저장소에 실제로 무엇이 들어 있나요?

총 약 9.1GB인 두 개의 safetensors 샤드는 BF16 기준으로 약 45억 4천만 개의 파라미터에 해당합니다 — 저장소 이름은 4B라고 하고, Hugging Face 사이드바는 5B로 반올림하며, 텐서 총계는 그 사이의 숫자입니다. 히든 크기가 2560인 Q​wen3.5 조건부 생성 아키텍처를 선언하는 구성입니다. 이미지 및 비디오 토큰을 처리하는 7.7KB 채팅 템플릿이 있습니다. 그리고 이 모든 것을 사용 가능하게 만드는 것이 담긴 inference/ 디렉터리: Python 래퍼, FastAPI 서버, 벤치마크 스크립트, 그리고 파란색 예시 이미지 하나와 빨간색 예시 이미지 하나, 총 두 개의 예시 이미지가 있습니다.

설정은 패치 버전까지 명시되어 있습니다: Python 3.12, 하드웨어에 맞춘 PyTorch와 torchvision, requirements는 inference/ 내부에서 설치합니다. 서버는 8173 포트에서 실행되며 POST /v1/systemone에서 응답합니다. 이 경로는 OpenAI 호환 경로가 아니며 그런 척도 하지 않습니다. 이는 Decision Index 평가 키트가 사용하는 와이어 형식입니다. 카드의 빠른 시작은 키트를 해당 엔드포인트에 직접 연결하며, 먼저 텍스트 스위트에 대해, 그다음에는 이미지당 1,638,400의 명시적 픽셀 예산으로 비전 스위트에 대해 연결합니다.

운영상 중요한 두 가지 제한은 프로덕션에서 발견하는 것이 아니라 카드에 명시되어 있습니다. 요청당 이미지 4개, 그리고 텍스트만 사용할 경우 입력 65,536토큰, 이미지가 첨부되면 10,000토큰입니다. 프로세서 구성은 이미지당 최대 1,806,336픽셀로 설정되어 있으므로, 전체 페이지 스크린샷은 읽히기 전에 축소됩니다.

설정 파일이 그 계보를 드러낸다

config.json을 열면 Qwen3.5의 표준이 아닌 키 세트가 나타납니다: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. 접두사 계약에는 "all-input-before-first-answer; single-turn; no-thinking"이라고 명시되어 있습니다. 소프트 선택 블록에는 리드아웃을 구현하는 Python 파일의 SHA-256 해시가 포함되어 있으며, 평가자가 점수를 산출한 코드가 실제 배포된 코드임을 확인할 수 있도록 고정되어 있습니다.

그대로 읽으면, {{1}}j​ev{{/1}}는 이 모델이 내장된 공유 하네스의 이름입니다 — TypeSafe의 {{2}}J​ev{{/2}} 모델과 Decision Index 키트가 중심으로 구성된 것과 같은 하네스 계열입니다. 이는 구성 파일의 문자열에서 나온 추론일 뿐 공급업체의 진술은 아니며, 이번 릴리스에서 가장 흥미로운 미해명 사항입니다. 이는 Sing VL S1이 타입화된 결정에 관한 처음부터의 실험이 아니라 기존 프로토콜에 적응된 {{3}}Q​wen3.5{{/3}} 비전 체크포인트이며, 결과를 재현할 수 있도록 프로토콜의 내부가 함께 제공된다는 점을 시사합니다.

같은 조직 안에는 그 해석을 뒷받침하는 형제 모델이 있다. 10월 말에 Q​wen3.5-4B 기반으로 공개된 inclusionAI의 LemonDecider는 255개 옵션 판독값과 온도 보정 상수를 갖춘 텍스트 전용 결정 엔진이며, 해당 모델 카드에는 동일한 choice/noul/score 어휘와 동일한 단일 순방향 패스 설계가 설명되어 있다. Sing VL S1은 그 작업 계보가 이미지로 확장된 것으로 보인다. 해당 조직은 그렇게 밝히지 않았다.

빠진 것은 겉모습만의 문제가 아니다.

• 라이선스 없음. 모델 카드의 메타데이터에는 아키텍처와 작업에 대한 태그가 선언되어 있지만 라이선스 필드는 전혀 없고, 저장소에도 LICENSE 파일이 없습니다. 라이선스가 없으면 기본값은 "오픈"이 아니라 "모든 권리 보유, 저자에게 문의"입니다. 이 모델을 상업적으로 출시해야 하는 팀은 아직 의지할 수 있는 허가가 없으며, 로드맵에 반영하겠다고 말하기 전에 변호사에게 먼저 알려야 합니다.

• 논문이 없습니다. 이 조직은 Hugging Face 프로필에 31편의 논문을 올려 두었지만 그중 어느 것도 이 모델에 관한 것이 아닙니다. 방법 섹션도, 학습 데이터 설명도, 45억 4천만 개의 파라미터가 무엇을 대상으로 튜닝되었는지에 대한 언급도 없습니다.

• 공지 없음. 해당 기관 카드는 여전히 팔로워들에게 릴리스 소식을 위해 기관의 GitHub와 두 개의 X 계정을 안내하고 있으며, 오늘 기준 어느 채널에서도 이 저장소에 관한 게시물을 찾을 수 없었다. 기관의 GitHub에는 SingVL 저장소가 없다.

• 호스팅된 엔드포인트가 없습니다. 어떤 추론 제공업체도 이를 목록에 올리지 않습니다. 실행하는 유일한 방법은 9.1 GB를 다운로드하여 직접 서빙하는 것입니다.

• 독립적인 결과는 없습니다. 위에서 다루었지만, 69.76이 당신에게 의미가 있는지를 결정하는 바로 그 항목이므로 다시 말할 가치가 있습니다.

결정한다면 실제로 그것을 어떻게 사용할 것인지

정직한 배포 방식은 대체가 아니라 사이드카입니다. FastAPI 서버를 GPU 머신에 두고, 현재 생성된 텍스트에서 레이블을 파싱하는 특정 하위 작업—의도 라우팅, 문서 유형 분류, 모더레이션 플래그, 비용이 큰 호출 전의 예/아니오 게이트—에 대해 기존 파이프라인을 그 서버로 연결하세요. 그리고 설명이 필요한 모든 것에는 생성 모델을 그대로 두세요. 핵심은 확률 출력입니다. 신뢰할 문자열이 아니라 임계값을 적용할 숫자를 얻는 것입니다.

이걸 싸게 시도해 볼 수 있는 이유는 API가 하나의 경로와 평면 JSON 본문으로 이루어져 있기 때문이다. 래퍼 함수는 한나절이면 만드는 작업이다. 이걸 의존하기 비싼 이유는 라이선스도 없고 논문도 없으며 하루 된 저장소에서 나온 모델은 예고 없이 바뀌거나 사라질 수 있기 때문이다. 따라서 구성에서 리비전 해시를 고정하고 엔드포인트를 폴백 뒤의 신뢰할 수 없는 인프라로 취급하라.

라우팅이 구호에 그치지 않고 제 역할을 하는 지점도 바로 여기입니다. OrcaRouter는 이미 TypeSafe Jev 1.14를 갖추고 있습니다 — typesafe/jev-1.14, 입력 토큰 100만 개당 $0.042 — 이는 의사결정 모델 패턴을 현재 하나의 키로 호출할 수 있다는 뜻이며 함께 배치될 생성 모델들과 나란히 쓰일 수 있습니다. Sing VL S1은 OrcaRouter에 없으며 여기서 이에 대해 발표할 내용도 없습니다. 관련 사실은 더 범위가 좁고 더 유용합니다. 이용 약관이 비어 있는 9GB 체크포인트를 서비스하기로 결정하기 전에 작동 중인 엔드포인트에서 이 패턴을 측정할 수 있으며, 나중에 그 체크포인트가 제 역할을 하게 되더라도 그것을 도입하는 비용이 두 번째 계약이 되는 것은 아닙니다.

무엇이 이것을 단순한 호기심에서 결정으로 바꿀 수 있을까요?

세 가지입니다. 당신에게 알려줄 수 있는 정도가 큰 순서대로요. 라이선스 파일. 그것이 없으면 상업적으로 다른 어떤 것도 중요하지 않기 때문입니다. 실행 디렉터리를 첨부한 Decision Index 제출. 카드의 제출 섹션이 바로 낯선 사람이 69.76과 73.94를 그대로 받아들이지 않고 확인할 수 있게 해 주는 산출물을 정확히 설명하기 때문입니다. 그리고 다른 누군가가 통제하는 하네스에서의 두 번째 독립 평가. 자기 저자들이 공식화하는 데 도움을 준 벤치마크에서 이기는 모델은 출시 게시물보다 먼저 제2의 의견이 필요하기 때문입니다.

그때까지 이번 공개를 읽는 올바른 방식은 방법론 섹션이 빠진 프리프린트를 읽는 방식과 같다: 산출물은 실재하고, 수치는 저자들의 것이며, 흥미로운 점은 문단이 아니라 확률 벡터를 위해 만들어진 45억 매개변수 비전 모델이 이제 실제로 존재한다는 것이다. 그것이 하나의 범주가 될지 각주가 될지는 저장소에 아직 들어 있지 않은 서류에 달려 있다.