SingVL_S1_4B: O Modelo de Decisão de 4.54B que a inclusionAI Lançou Sem Alarde

Às 03:58 UTC de 11 de novembro de 2026, um repositório chamado SingVL_S1_4B apareceu sob a organização inclusionAI no Hugging Face. Às 05:38 UTC, alguém editou seu README. No momento em que isto foi escrito, não havia publicação no blog do laboratório, nenhum artigo no arXiv, nenhuma release no GitHub, nenhuma entrada no catálogo de qualquer provedor de inferência, e o contador de downloads estava em zero. O card do modelo grafa o nome com espaços — Sing VL S1 — e o descreve como um modelo multimodal de decisão construído sobre Qwen3.5. Esse é todo o registro público. Tudo abaixo foi lido dos arquivos desse repositório, e tudo o que soa como uma afirmação está rotulado como tal.

O que "modelo de decisão" significa aqui, precisamente

Isto não é um modelo de chat com visão acoplada. Você não envia um prompt e lê um parágrafo de volta. Você envia um estado — texto, JSON ou até quatro imagens — além de um dicionário de perguntas nomeadas, e cada pergunta declara seu tipo e suas respostas candidatas. O modelo executa uma única passagem direta e retorna uma probabilidade para cada resposta candidata.

Existem três tipos de perguntas, e os nomes são do próprio modelo:

• Escolha — selecione uma das opções fornecidas; a resposta contém uma probabilidade para cada opção.

• Noul — uma proposição sim/não; a resposta é a probabilidade de que seja verdadeira. A grafia é estranha e é a que o cartão usa.

• Pontuação — classifique a entrada em 2 a 10 níveis ordenados; a resposta contém a probabilidade de cada nível, além de um nível esperado calculado como a soma do índice com base zero multiplicado pela probabilidade.

Assim, um único pedido pode perguntar «que cor é nomeada», «a cor nomeada é vermelha» e «com que clareza o texto identifica a cor como vermelha», e obter três respostas com níveis de confiança a partir de uma única passagem. O próprio exemplo do cartão faz exatamente isso e, em seguida, repete-o em duas imagens para perguntar qual delas é vermelha.

A consequência arquitetural é que o vocabulário de saída não é um vocabulário. Não há amostragem, nem temperatura, nem fluxo de tokens para analisar, nem modo JSON a induzir. Se o seu pipeline atualmente termina em uma regex sobre a prosa de um modelo para extrair um rótulo, este é o tipo de modelo que elimina a regex. Se o seu pipeline precisa da prosa — um resumo, uma justificativa, uma chamada de ferramenta — este modelo não tem nada a oferecer, porque ele nunca gera uma.

Os números, e de quem são os números

O cartão publica uma tabela intitulada "Public Decision Index 0.3". Sing VL S1 obtém 69,76 no painel de Texto e 73,94 no painel de Visão. As colunas de comparação são TypeSafe Jev 1.14 com 60,70 em texto e nenhuma pontuação de visão publicada, StartLux-Decision v1.1 4B com 67,8 em texto e 67,90 em visão, e Perplexity Decider Flash v1.2 (4B) com 60,1 em texto e 72,5 em visão.

Leia isso como um autorrelato. Todos os números nele vêm do laboratório que treinou o modelo, em um leaderboard cujo kit de pontuação é público, mas cuja metade privada não é, e nenhum terceiro refez qualquer parte dele. O próprio kit de reprodução do Decision Index — o decision-indexprojeto que reconstrói a suíte pública e pontua execuções enviadas — não mostra nenhuma submissão do SingVL em lugar algum em seu histórico de issues ou pull requests até esta manhã. O cartão inclui sim as instruções de submissão, o que é um sinal razoável de intenção e não evidência de um resultado.

O detalhamento por conjunto de dados é mais útil do que o número principal, porque mostra de onde vem o agregado. Nos onze conjuntos de dados de visão, as linhas mais fortes são InfographicVQA com 96.31, Winoground com 93.12 e o conjunto de informações-chave CORD-plus-FUNSD com 95.82. As linhas fracas são igualmente informativas: MMMU-Pro vision fica em 50.17 sem skill e 42.85 com o prompt de skill, R-Bench-M em 49.77 e 39.72, e a moderação de memes de ódio em 71.64 caindo para 43.28. Esse é um modelo que lê bem documentos e layouts e raciocina mal sobre figuras acadêmicas difíceis — um perfil consistente com um backbone de 4,5 bilhões de parâmetros fazendo classificação em vez de deliberação.

Nos quarenta e três conjuntos de dados textuais, BFCL, com 96,81, e CLINC150, com 97,03, são os destaques; HLE, com 12,77, ChessBench, com 26,88, e o conjunto de diálogos SGD, com 8,33, são o piso. O cartão marca várias linhas com uma adaga para indicar que o índice as reporta separadamente, em vez de as incorporar, o que é o tipo de divulgação que torna o resto da tabela mais fácil de confiar.

O que está realmente no repositório

Dois shards safetensors totalizando cerca de 9,1 GB, o que em BF16 resulta em aproximadamente 4,54 bilhões de parâmetros — o nome do repositório diz 4B, a barra lateral do Hugging Face arredonda para 5B, e o total de tensores é o número intermediário. Uma configuração que declara a arquitetura de geração condicional Qwen3.5 com tamanho oculto de 2560. Um template de chat de 7,7 KB que lida com tokens de imagem e vídeo. E um diretório inference/ contendo o que torna tudo isso utilizável: um wrapper Python, um servidor FastAPI, um script de benchmark e duas imagens de exemplo, uma azul e uma vermelha.

A configuração é especificada até a versão de patch: Python 3.12, PyTorch e torchvision correspondentes ao hardware, requisitos instalados de dentro de inference/. O servidor roda na porta 8173 e responde em POST /v1/systemone. Esse caminho não é uma rota compatível com OpenAI e não finge ser; é o formato de comunicação que o kit de avaliação Decision Index usa. O quickstart do card conecta o kit diretamente a esse endpoint, primeiro para a suíte de texto e depois para a suíte de visão, com um orçamento explícito de 1.638.400 pixels por imagem.

Dois limites são importantes operacionalmente e estão declarados no cartão, em vez de serem descobertos em produção: quatro imagens por solicitação e 65.536 tokens de entrada para somente texto ou 10.000 tokens quando imagens forem anexadas. A configuração do processador define um máximo de 1.806.336 pixels por imagem, portanto, uma captura de tela de página inteira será reduzida antes de ser lida.

O arquivo de configuração denuncia sua linhagem

Abra config.json e surgem várias chaves que não são padrão no Q​wen3.5: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. O contrato de prefixo diz "all-input-before-first-answer; single-turn; no-thinking". O bloco soft-choice carrega hashes SHA-256 dos arquivos Python que implementam o readout, fixados para que um avaliador possa confirmar que o código que produziu uma pontuação é o código que foi entregue.

Em uma leitura literal, “j​ev” é o nome do harness compartilhado no qual este modelo foi construído — a mesma família de harness em torno da qual os modelos J​ev da TypeSafe e o kit Decision Index estão organizados. Trata-se de uma inferência a partir de uma string em um arquivo de configuração, não de uma declaração do fornecedor, e é a coisa inexplicada mais interessante no lançamento. Isso sugere que o Sing VL S1 não é um experimento feito do zero em decisões tipadas, mas um checkpoint de visão do Q​wen3.5 adaptado para um protocolo existente, com os componentes internos do protocolo incluídos junto para que os resultados possam ser reproduzidos.

Há um projeto irmão na mesma organização que corrobora essa leitura. O LemonDecider da inclusionAI, publicado no final de outubro sobre uma base Q​wen3.5-4B, é um mecanismo de decisão somente texto com uma leitura de 255 opções e uma constante de calibração de temperatura; sua ficha descreve o mesmo vocabulário de escolha/noul/pontuação e o mesmo design de passagem forward única. O Sing VL S1 parece ser essa linha de trabalho estendida a imagens. A organização não afirmou isso.

O que está faltando não é cosmético.

• Sem licença. Os metadados do cartão do modelo declaram tags para a arquitetura e a tarefa, mas nenhum campo de licença, e não há nenhum arquivo LICENSE no repositório. Sem uma licença, o padrão não é "aberto" — é "todos os direitos reservados, consulte o autor". Uma equipe que precisa lançar isto comercialmente ainda não tem uma permissão em que possa se basear e deve dizer isso aos seus advogados antes de dizê-lo ao seu roadmap.

• Nenhum artigo. A organização tem trinta e um artigos em seu perfil no Hugging Face e nenhum deles é sobre este modelo. Não há seção de método, nem descrição dos dados de treinamento, nem declaração sobre em que os 4,54 bilhões de parâmetros foram ajustados.

• Nenhum anúncio. O cartão da organização ainda direciona os seguidores para seu GitHub e suas duas contas no X para notícias de lançamento; nenhum dos dois canais tem uma publicação sobre este repositório que pudesse ser encontrada hoje. O GitHub da organização não tem um repositório SingVL.

• Nenhum endpoint hospedado. Nenhum provedor de inferência o lista. A única maneira de executá-lo é baixar 9,1 GB e servi-lo você mesmo.

• Nenhum resultado independente. Já abordado acima, e vale repetir porque é o que determina se o 69,76 significa alguma coisa para você.

Como você realmente usaria isso, se decidir fazê-lo

A história honesta da implantação é um sidecar, não uma substituição. Coloque o servidor FastAPI numa máquina com GPU, aponte seu pipeline existente para ele na subtarefa específica em que hoje você extrai um rótulo de texto gerado — roteamento de intenção, triagem de tipo de documento, sinalizadores de moderação, um portão sim/não antes de uma chamada cara — e deixe o modelo generativo onde está para tudo que precisa de uma explicação. A saída de probabilidade é o ponto: você obtém um número para aplicar um limiar, não uma string em que confiar.

O que torna barato experimentar é que a API é uma única rota com um corpo JSON plano. Uma função wrapper é trabalho de uma manhã. O que torna caro depender dela é que um modelo sem licença, sem artigo e com um repositório de um dia de existência pode mudar ou desaparecer sem aviso, então fixe o hash da revisão na configuração e trate o endpoint como infraestrutura não confiável por trás de um fallback.

É também aí que o roteamento conquista seu lugar, em vez de ser um slogan. O OrcaRouter já disponibiliza o TypeSafe Jev 1.14 — typesafe/jev-1.14, a US$ 0,042 por milhão de tokens de entrada — o que significa que o padrão de modelo de decisão é invocável hoje por meio de uma única chave ao lado dos modelos generativos com os quais ficaria. O Sing VL S1 não está no OrcaRouter e não há nada a anunciar sobre ele aqui; o dado relevante é mais específico e mais útil. Você pode medir o padrão em um endpoint em funcionamento antes de se comprometer a servir um checkpoint de 9 GB cujos termos de uso estão em branco, e, se o checkpoint mais tarde conquistar seu lugar, um segundo contrato não é o custo de adotá-lo.

O que transformaria isto de uma curiosidade em uma decisão?

Três coisas, em ordem daquilo que cada uma revelaria. Um arquivo de licença, porque sem ele nada mais importa comercialmente. Uma submissão ao Decision Index com um diretório de execução anexado, porque a seção de submissão da ficha descreve exatamente o artefato que permitiria a um estranho verificar 69,76 e 73,94 em vez de aceitá-los como verdade. E uma segunda avaliação independente em um ambiente de testes controlado por outra pessoa, porque um modelo que vence em um benchmark que seus próprios autores ajudaram a formalizar precisa de uma segunda opinião antes de precisar de um post de lançamento.

Até então, a forma correta de ler este lançamento é a mesma que você usaria para ler um preprint sem a seção de métodos: o artefato é real, os números são dos autores, e a parte interessante é que um modelo de visão de 4,5 bilhões de parâmetros criado para vetores de probabilidade, e não para parágrafos, agora existe. Se isso se tornará uma categoria ou uma nota de rodapé depende de documentação que o repositório ainda não contém.