SingVL_S1_4B: model decyzyjny o 4,54 mld parametrów, który inclusionAI wydało bez słowa

O 03:58 UTC 11 listopada 2026 r. repozytorium o nazwie SingVL_S1_4B pojawiło się w organizacji inclusionAI na Hugging Face. O 05:38 UTC ktoś edytował jego README. W chwili pisania tego tekstu nie było żadnego wpisu na blogu laboratorium, żadnej pracy na arXiv, żadnego wydania na GitHubie, żadnej pozycji w katalogu któregokolwiek dostawcy usług wnioskowania, a licznik pobrań wskazywał zero. Karta modelu zapisuje nazwę ze spacjami — Sing VL S1 — i opisuje go jako multimodalny model decyzyjny zbudowany na Qwen3.5. To cały publiczny zapis. Wszystko poniżej odczytano z plików w tym repozytorium, a wszystko, co brzmi jak twierdzenie, jest oznaczone jako twierdzenie.

Co dokładnie oznacza tutaj „model decyzyjny”?

To nie jest model czatu z doczepioną wizją. Nie wysyłasz mu promptu i nie czytasz zwróconego akapitu. Wysyłasz mu stan — tekst, JSON lub do czterech obrazów — oraz słownik nazwanych pytań, a każde pytanie deklaruje swój typ i kandydujące odpowiedzi. Model wykonuje jeden przebieg w przód i zwraca prawdopodobieństwo dla każdego kandydata.

Istnieją trzy typy pytań, a ich nazwy pochodzą od samego modelu:

• Wybór — wybierz jedną z dostarczonych opcji; odpowiedź zawiera prawdopodobieństwo dla każdej opcji.

• Noul — zdanie typu tak/nie; odpowiedź to prawdopodobieństwo, że jest prawdziwe. Pisownia jest dziwna i to właśnie jej używa karta.

• Ocena — oceń dane wejściowe na 2–10 uporządkowanych poziomów; odpowiedź zawiera prawdopodobieństwo każdego poziomu oraz oczekiwany poziom obliczony jako suma iloczynów indeksu liczonego od zera i prawdopodobieństwa.

Zatem pojedyncze zapytanie może zapytać „jaki kolor został nazwany”, „czy nazwany kolor jest czerwony” i „jak wyraźnie tekst wskazuje, że kolor jest czerwony”, i otrzymać trzy odpowiedzi wraz z poziomami pewności w jednym przebiegu. Przykład na samej karcie robi dokładnie to, a następnie powtarza to na dwóch obrazach, aby zapytać, który z nich jest czerwony.

Konsekwencją architektoniczną jest to, że słownik wyjściowy nie jest słownikiem. Nie ma próbkowania, temperatury, strumienia tokenów do parsowania ani trybu JSON, który można by nakłonić. Jeśli Twój potok obecnie kończy się wyrażeniem regularnym stosowanym do prozy modelu w celu wyodrębnienia etykiety, to jest to typ modelu, który eliminuje wyrażenie regularne. Jeśli Twój potok potrzebuje prozy — podsumowania, uzasadnienia, wywołania narzędzia — ten model nie ma Ci nic do zaoferowania, ponieważ nigdy jej nie generuje.

Liczby i czyje to liczby

Karta publikuje tabelę zatytułowaną „Publiczny Indeks Decyzji 0.3”. Sing VL S1 uzyskuje 69,76 w panelu tekstowym i 73,94 w panelu wizyjnym. W kolumnach porównawczych znajdują się: TypeSafe Jev 1.14 z wynikiem 60,70 w tekście i bez opublikowanego wyniku wizyjnego, StartLux-Decision v1.1 4B z wynikiem 67,8 w tekście i 67,90 w wizji oraz Perplexity Decider Flash v1.2 (4B) z wynikiem 60,1 w tekście i 72,5 w wizji.

Odczytuj to jako samoocenę. Każda liczba w nim pochodzi z laboratorium, które wytrenowało model, na tablicy wyników, której zestaw do oceniania jest publiczny, ale jej prywatna połowa już nie, i żadna strona trzecia nie powtórzyła żadnego z tych wyników. Własny zestaw reprodukcyjny Decision Index —decision-index projekt, który odbudowuje publiczny zestaw i ocenia zgłoszone przebiegi — nie wykazuje żadnego zgłoszenia SingVL nigdzie w historii zgłoszeń problemów ani pull requestów na dzisiejszy poranek. Karta zawiera jednak instrukcje zgłoszenia, co jest uczciwym sygnałem intencji, a nie dowodem wyniku.

Rozbicie według poszczególnych zbiorów danych jest bardziej użyteczne niż wynik główny, ponieważ pokazuje, skąd bierze się agregat. Na jedenastu zbiorach danych wizyjnych najsilniejsze wiersze to InfographicVQA z 96,31, Winoground z 93,12 oraz zestaw kluczowych informacji CORD-plus-FUNSD z 95,82. Słabe wiersze są równie pouczające: MMMU-Pro vision osiąga 50,17 bez wskazówki umiejętności i 42,85 z promptem umiejętności, R-Bench-M — 49,77 i 39,72, a moderacja memów nienawistnych spada z 71,64 do 43,28. To model, który dobrze czyta dokumenty i układy graficzne, a słabo rozumuje na trudnych danych akademickich — profil zgodny z szkieletem o 4,5 miliarda parametrów wykonującym klasyfikację, a nie deliberację.

Na czterdziestu trzech zestawach danych tekstowych BFCL z wynikiem 96,81 i CLINC150 z wynikiem 97,03 wyróżniają się; HLE z wynikiem 12,77, ChessBench z wynikiem 26,88 oraz zestaw dialogowy SGD z wynikiem 8,33 są na samym dole. Karta oznacza kilka wierszy krzyżykiem, aby wskazać, że indeks raportuje je osobno, zamiast wliczać je do zbiorczego wyniku, co jest tym rodzajem ujawnienia, który sprawia, że łatwiej zaufać reszcie tabeli.

Co tak naprawdę znajduje się w repozytorium

Dwa shardy safetensors o łącznym rozmiarze około 9,1 GB, co przy BF16 daje około 4,54 miliarda parametrów — nazwa repozytorium mówi 4B, panel boczny Hugging Face zaokrągla do 5B, a suma tensorów to liczba pomiędzy nimi. Konfiguracja deklarująca architekturę warunkowego generowania Qwen3.5 z rozmiarem ukrytym 2560. Szablon czatu o rozmiarze 7,7 KB, który obsługuje tokeny obrazów i wideo. Oraz katalog inference/ zawierający to, co czyni całość użyteczną: wrapper w Pythonie, serwer FastAPI, skrypt benchmarku i dwa przykładowe obrazy, jeden niebieski i jeden czerwony.

Konfiguracja jest określona z dokładnością do wersji poprawki: Python 3.12, dopasowane do sprzętu PyTorch i torchvision, wymagania instalowane z wnętrza inference/. Serwer działa na porcie 8173 i odpowiada na POST /v1/systemone. Ta ścieżka nie jest trasą zgodną z OpenAI i nie udaje, że nią jest; to format transmisji, którym posługuje się zestaw ewaluacyjny Decision Index. Szybki start karty podłącza zestaw bezpośrednio do tego endpointu, najpierw dla zestawu tekstowego, a następnie dla zestawu wizyjnego z jawnym budżetem pikseli wynoszącym 1,638,400 na obraz.

Dwa limity mają znaczenie operacyjne i są podane w karcie, a nie odkrywane na produkcji: cztery obrazy na żądanie oraz 65 536 tokenów wejścia w trybie tekstowym lub 10 000 tokenów po dołączeniu obrazów. Konfiguracja procesora ustawia maksimum 1 806 336 pikseli na obraz, więc zrzut ekranu pełnej strony zostanie zmniejszony przed odczytem.

Plik konfiguracyjny zdradza swoje pochodzenie.

Otwórz config.json, a pojawi się zestaw kluczy, które nie są standardowe dla Q​wen3.5: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. Kontrakt prefiksu brzmi „all-input-before-first-answer; single-turn; no-thinking”. Blok soft-choice zawiera skróty SHA-256 plików Python implementujących odczyt, przypięte po to, by ewaluator mógł potwierdzić, że kod, który wytworzył wynik, to kod, który został wydany.

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.

W tej samej organizacji istnieje pokrewny model, który potwierdza tę interpretację. LemonDecider firmy inclusionAI, opublikowany pod koniec października na bazie Q​wen3.5-4B, to tekstowy silnik decyzyjny z 255-opcyjnym odczytem i stałą kalibracji temperatury; jego karta opisuje to samo słownictwo choice/noul/score i ten sam projekt z pojedynczym przejściem w przód. Sing VL S1 wygląda na rozszerzenie tej linii prac na obrazy. Organizacja tego nie stwierdziła.

To, czego brakuje, nie jest kwestią kosmetyki.

• Brak licencji. Metadane karty modelu deklarują tagi architektury i zadania, ale w ogóle nie zawierają pola licencji, a w repozytorium nie ma pliku LICENSE. Bez niego domyślnym ustawieniem nie jest „otwartość” — jest nim „wszelkie prawa zastrzeżone, zapytaj autora”. Zespół, który musi wdrożyć to komercyjnie, nie ma jeszcze uprawnień, na których mógłby się oprzeć, i powinien powiedzieć o tym swoim prawnikom, zanim powie o tym swojemu planowi rozwoju.

• Brak publikacji. Organizacja ma trzydzieści jeden publikacji na swoim profilu Hugging Face i żadna z nich nie dotyczy tego modelu. Nie ma sekcji metody, opisu danych treningowych ani stwierdzenia, na czym dostrajano 4,54 miliarda parametrów.

• Brak ogłoszenia. Karta organizacji nadal kieruje obserwujących do jej GitHuba i dwóch kont X po informacje o wydaniach; w żadnym z tych kanałów nie można dziś znaleźć wpisu o tym repozytorium. GitHub organizacji nie ma repozytorium SingVL.

• Żadnego hostowanego punktu końcowego. Żaden dostawca inferencji go nie wymienia. Jedynym sposobem na jego uruchomienie jest pobranie 9,1 GB i samodzielne serwowanie go.

• Brak niezależnego wyniku. Omówiono to powyżej i warto to powtórzyć, ponieważ to on decyduje, czy 69.76 cokolwiek dla ciebie znaczy.

Jak faktycznie byś tego użył, jeśli się zdecydujesz

Uczciwa opowieść o wdrożeniu to sidecar, a nie zamiennik. Umieść serwer FastAPI na maszynie z GPU, skieruj do niego istniejący potok przetwarzania dla konkretnego podzadania, w którym obecnie wyciągasz etykietę z wygenerowanego tekstu — routing intencji, wstępna klasyfikacja typu dokumentu, flagi moderacji, bramka tak/nie przed kosztownym wywołaniem — a model generatywny zostaw tam, gdzie jest, dla wszystkiego, co wymaga wyjaśnienia. Kluczowy jest wynik prawdopodobieństwa: otrzymujesz liczbę, względem której ustawiasz próg, a nie ciąg znaków, któremu musisz ufać.

To, co sprawia, że wypróbowanie tego jest tanie, to fakt, że API to jedna trasa z płaskim ciałem JSON. Funkcja opakowująca to robota na jeden poranek. To, co sprawia, że uzależnienie się od tego jest kosztowne, to fakt, że model bez licencji, bez artykułu i z repozytorium mającym jeden dzień może się zmienić lub zniknąć bez ostrzeżenia, więc przypnij hash rewizji w konfiguracji i traktuj endpoint jako niezaufaną infrastrukturę za mechanizmem fallback.

To także miejsce, w którym routing udowadnia, że nie jest tylko sloganem. OrcaRouter już obsługuje TypeSafe Jev 1.14 — typesafe/jev-1.14, w cenie $0.042 za milion tokenów wejściowych — co oznacza, że wzorzec modelu decyzyjnego można dziś wywołać za pomocą jednego klucza obok modeli generatywnych, z którymi ma sąsiadować. Sing VL S1 nie jest dostępny w OrcaRouter i nie ma tu nic do ogłoszenia na jego temat; istotny fakt jest węższy i bardziej użyteczny. Możesz zmierzyć ten wzorzec na działającym endpoincie, zanim zobowiążesz się do serwowania 9 GB checkpointu, którego warunki użytkowania są puste, a jeśli checkpoint później zasłuży na swoje miejsce, drugi kontrakt nie jest kosztem jego przyjęcia.

Co zmieniłoby to z ciekawostki w decyzję?

Trzy rzeczy, uporządkowane według tego, ile by ci powiedziały. Plik licencji, bo bez niego nic innego nie ma znaczenia komercyjnie. Zgłoszenie do Decision Index z dołączonym katalogiem przebiegu, bo sekcja zgłoszenia w karcie opisuje dokładnie ten artefakt, który pozwoliłby obcej osobie sprawdzić 69,76 i 73,94, zamiast przyjmować je na wiarę. I druga niezależna ocena w środowisku testowym kontrolowanym przez kogoś innego, bo model, który wygrywa na benchmarku, którego formalizację współtworzyli jego własni autorzy, potrzebuje drugiej opinii, zanim będzie potrzebował wpisu o premierze.

Do tego czasu właściwym sposobem czytania tego wydania jest ten, w jaki czytalibyście preprint z brakującą sekcją metod: artefakt jest prawdziwy, liczby są autorów, a najciekawsze jest to, że model wizyjny o 4,5 miliarda parametrów, zbudowany pod wektory prawdopodobieństwa, a nie pod akapity, w ogóle teraz istnieje. Czy stanie się to kategorią, czy przypisem, zależy od dokumentacji, której repozytorium jeszcze nie zawiera.