SingVL_S1_4B: 4.54B-модель принятия решений, которую inclusionAI выпустила без единого слова

В 03:58 UTC 11 ноября 2026 года репозиторий под названием SingVL_S1_4B появился в организации inclusionAI на Hugging Face. В 05:38 UTC кто-то отредактировал его README. К моменту написания этого текста не было ни сообщения в блоге лаборатории, ни статьи на arXiv, ни релиза на GitHub, ни записи в каталоге какого-либо провайдера инференса, а счётчик загрузок показывал ноль. В карточке модели название записано с пробелами — Sing VL S1 — и она описывается как мультимодальная модель принятия решений, построенная на Qwen3.5. Вот и вся публичная информация. Всё нижеследующее прочитано по файлам в этом репозитории, а всё, что звучит как утверждение, помечено как утверждение.

Что именно здесь означает «decision model»?

Это не чат-модель с прикрученным сверху компьютерным зрением. Вы не отправляете ей запрос и не получаете в ответ абзац текста. Вы отправляете ей состояние — текст, JSON или до четырёх изображений — плюс словарь именованных вопросов, и каждый вопрос объявляет свой тип и свои варианты ответов. Модель выполняет один прямой проход и возвращает вероятность для каждого кандидата.

Существует три типа вопросов, и названия принадлежат самой модели:

• Выбор — выберите один из предложенных вариантов; ответ содержит вероятность для каждого варианта.

• Noul — утверждение с ответом «да/нет»; ответ — вероятность того, что оно истинно. Написание странное, но именно так указано на карточке.

• Оценка — оцените входные данные по 2–10 упорядоченным уровням; ответ содержит вероятность каждого уровня плюс ожидаемый уровень, вычисляемый как сумма индекса с отсчётом от нуля, умноженного на вероятность.

Таким образом, один запрос может спросить «какой цвет назван», «является ли названный цвет красным» и «насколько явно текст указывает, что цвет — красный», и получить три ответа с уровнями уверенности за один проход. Пример на самой карточке делает именно это, а затем повторяет это на двух изображениях, чтобы спросить, какое из них красное.

Архитектурное следствие состоит в том, что выходной словарь — это не словарь. Здесь нет сэмплирования, нет температуры, нет потока токенов для разбора и нет JSON-режима, который можно было бы уговорить. Если ваш конвейер сейчас заканчивается регулярным выражением по тексту модели, чтобы извлечь метку, то это тот тип модели, который убирает регулярное выражение. Если вашему конвейеру нужен связный текст — резюме, обоснование, вызов инструмента, — этой модели нечего вам предложить, потому что она его никогда не генерирует.

Числа и то, кому они принадлежат

Карточка публикует таблицу под заголовком «Public Decision Index 0.3». Sing VL S1 получает 69.76 на панели Text и 73.94 на панели Vision. В столбцах сравнения: TypeSafe Jev 1.14 — 60.70 по тексту, оценка по Vision не опубликована; StartLux-Decision v1.1 4B — 67.8 по тексту и 67.90 по Vision; Perplexity Decider Flash v1.2 (4B) — 60.1 по тексту и 72.5 по Vision.

Воспринимайте это как самоотчёт. Каждая цифра в нём получена лабораторией, обучившей модель, на лидерборде, чей набор для оценки открыт, а закрытая половина — нет, и ни одна третья сторона не перепроверяла ничего из этого. Собственный комплект Decision Index для воспроизведения — decision-index, который пересобирает публичный набор и оценивает присланные запуски, — по состоянию на сегодняшнее утро не показывает ни одной заявки SingVL в истории его issue или pull request. Карточка действительно содержит инструкции по подаче заявки, что является скорее сигналом о намерении, а не доказательством результата.

Разбивка по наборам данных полезнее, чем общий показатель, потому что показывает, откуда берётся агрегат. На одиннадцати визуальных наборах данных сильнейшие строки — InfographicVQA с 96,31, Winoground с 93,12 и набор ключевой информации CORD-plus-FUNSD с 95,82. Слабые строки столь же информативны: MMMU-Pro vision показывает 50,17 без skill-промпта и 42,85 со skill-промптом, R-Bench-M — 49,77 и 39,72, а модерация мемов с ненавистническим содержанием — 71,64, снижаясь до 43,28. Это модель, которая хорошо читает документы и макеты и плохо рассуждает о сложных академических цифрах, — профиль, согласующийся с backbone на 4,5 млрд параметров, который занимается классификацией, а не обдумыванием.

На сорока трёх текстовых наборах данных BFCL с показателем 96,81 и CLINC150 с 97,03 — явные лидеры; HLE с 12,77, ChessBench с 26,88 и диалоговый набор SGD с 8,33 — нижняя граница. В карточке несколько строк помечены кинжалом, чтобы указать, что индекс приводит их отдельно, а не включает в общую сводку, — и это именно та прозрачность, которая делает остальную таблицу более заслуживающей доверия.

Что на самом деле находится в репозитории

Два шарда safetensors общим объёмом около 9,1 ГБ, что при BF16 соответствует примерно 4,54 млрд параметров: в названии репозитория указано 4B, боковая панель Hugging Face округляет до 5B, а сумма тензоров даёт промежуточное число. Конфигурация, объявляющая архитектуру условной генерации Qwen3.5 с размером скрытого слоя 2560. Шаблон чата размером 7,7 КБ, обрабатывающий токены изображений и видео. И каталог inference/, содержащий то, что делает всё это пригодным к использованию: Python-обёртку, сервер FastAPI, скрипт бенчмарка и два примера изображений — одно синее, другое красное.

Конфигурация описана вплоть до версии патча: Python 3.12, согласованные с оборудованием PyTorch и torchvision, зависимости устанавливаются изнутри inference/. Сервер работает на порту 8173 и отвечает по адресу POST /v1/systemone. Этот путь не является OpenAI-совместимым маршрутом и не пытается им притворяться; это формат передачи данных, который использует набор для оценки Decision Index. Быстрый старт карточки подключает набор напрямую к этой конечной точке — сначала для текстового набора, затем для набора визуальных задач с явным бюджетом пикселей 1,638,400 на изображение.

Два ограничения важны с операционной точки зрения и указаны в карточке, а не выясняются в процессе эксплуатации: четыре изображения на запрос и 65 536 токенов входных данных для текстового режима или 10 000 токенов, когда прикреплены изображения. В конфигурации процессора задан максимум 1 806 336 пикселей на изображение, поэтому полноэкранный снимок будет уменьшен перед обработкой.

Конфигурационный файл выдаёт своё происхождение.

Откройте config.json — и появится набор ключей, не являющихся стандартными для Q​wen3.5: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. Контракт префикса гласит: «all-input-before-first-answer; single-turn; no-thinking». Блок soft-choice содержит SHA-256-хеши Python-файлов, реализующих readout, зафиксированные, чтобы проверяющий мог подтвердить, что код, выдавший оценку, — это тот же код, который был выпущен.

Если читать буквально, «j​ev» — это название общей обвязки (harness), в которую была встроена эта модель — того же семейства обвязок, вокруг которого организованы модели J​ev от TypeSafe и комплект Decision Index. Это вывод из строки в конфигурационном файле, а не заявление поставщика, и это самая интересная необъяснённая вещь в релизе. Это позволяет предположить, что Sing VL S1 — не созданный с нуля эксперимент с типизированными решениями, а vision-чекпоинт Q​wen3.5, адаптированный под существующий протокол, причём внутренности протокола поставляются вместе с ним, чтобы результаты можно было воспроизвести.

В той же организации есть родственная модель, которая поддерживает такую трактовку. LemonDecider от inclusionAI, опубликованный в конце октября на базе Qwen3.5-4B, — это текстовый движок принятия решений с выводом на 255 вариантов и константой температурной калибровки; в его карточке описываются тот же словарь choice/noul/score и та же схема с одним прямым проходом. Sing VL S1 выглядит как продолжение этой линии работы для изображений. Организация об этом не заявляла.

То, чего не хватает, — не косметика.

• Нет лицензии. Метаданные карточки модели объявляют теги для архитектуры и задачи, но поля лицензии вообще нет, и в репозитории нет файла LICENSE. Без неё значение по умолчанию — не «открыто», а «все права защищены, спросите автора». Команда, которой нужно выпустить это коммерчески, пока не имеет разрешения, на которое можно опереться, и ей следует сказать об этом своим юристам, прежде чем говорить об этом своему роадмапу.

• Нет статьи. В профиле организации на Hugging Face тридцать одна статья, и ни одна из них не посвящена этой модели. Нет раздела о методах, нет описания обучающих данных, нет указания на то, на каких данных настраивались 4,54 млрд параметров.

• Без объявления. Карточка организации по-прежнему указывает подписчикам на её GitHub и два аккаунта в X для новостей о релизах; ни в одном из этих каналов сегодня не удалось найти публикацию об этом репозитории. На GitHub организации нет репозитория SingVL.

• Нет размещённой конечной точки. Ни один провайдер инференса не предлагает её. Единственный способ запустить её — скачать 9,1 ГБ и развернуть самостоятельно.

• Никакого независимого результата. Об этом уже говорилось выше, и стоит повторить, porque именно это определяет, значит ли для вас число 69,76 хоть что-нибудь.

Как бы вы на самом деле это использовали, если решите.

Честная история развёртывания — это сайдкар, а не замена. Разместите сервер FastAPI на машине с GPU, направьте на него существующий пайплайн для той конкретной подзадачи, где вы сейчас извлекаете метку из сгенерированного текста — маршрутизация намерений, сортировка по типу документа, флаги модерации, шлюз «да/нет» перед дорогим вызовом, — а генеративную модель оставьте там, где она есть, для всего, что требует объяснения. Суть именно в вероятностном выходе: вы получаете число, к которому можно применить порог, а не строку, которой нужно доверять.

То, что делает эту попытку дешёвой, — это то, что API представляет собой один маршрут с плоским JSON-телом. Функция-обёртка — это работа на одно утро. То, что делает зависимость от неё дорогой, — это то, что модель без лицензии, без статьи и с репозиторием, которому всего один день, может измениться или исчезнуть без предупреждения, поэтому закрепите хеш ревизии в конфигурации и рассматривайте эндпоинт как недоверенную инфраструктуру за резервным вариантом.

Именно здесь маршрутизация заслуживает своё место, а не остаётся лозунгом. OrcaRouter уже поддерживает TypeSafe Jev 1.14 — typesafe/jev-1.14, по цене $0.042 за миллион входных токенов — а значит, паттерн модели принятия решений уже сегодня можно вызвать с помощью одного ключа наряду с генеративными моделями, рядом с которыми он будет находиться. Sing VL S1 отсутствует в OrcaRouter, и здесь о нём нечего объявлять; существенный факт здесь более узкий и более полезный. Вы можете измерить этот паттерн на работающем эндпоинте, прежде чем брать на себя обязательство обслуживать чекпоинт на 9 ГБ, условия использования которого не заполнены, и если позже чекпоинт оправдает своё место, второй контракт не станет ценой его внедрения.

Что превратило бы это из любопытной мелочи в решение?

Три вещи, в порядке того, насколько много они могли бы вам сообщить. Лицензионный файл, потому что без него всё остальное не имеет коммерческого значения. Заявка в Decision Index с приложенным каталогом запуска, потому что раздел заявки в карточке описывает именно тот артефакт, который позволил бы постороннему проверить 69.76 и 73.94, а не принять их на веру. И вторая независимая оценка на стенде, который контролирует кто-то другой, потому что модель, побеждающая на бенчмарке, формализации которого помогали её собственные авторы, нуждается во втором мнении прежде чем ей понадобится публикация о запуске.

До тех пор правильный способ читать этот релиз — тот же, что и при чтении препринта без раздела методов: артефакт реален, числа принадлежат авторам, а интересно то, что визуальная модель с 4,5 млрд параметров, созданная для векторов вероятностей, а не для абзацев, теперь вообще существует. Станет ли это категорией или сноской, зависит от документации, которой в репозитории пока нет.