SingVL_S1_4B: Beslutsmodellen på 4,54B som inclusionAI släppte utan ett ord

Klockan 03:58 UTC den 11 november 2026 dök det upp ett repository som heter SingVL_S1_4B under inclusionAI-organisationen på Hugging Face. Klockan 05:38 UTC redigerade någon dess README. När detta skrevs fanns det inget blogginlägg från labbet, ingen arXiv-artikel, ingen GitHub-release, ingen post i någon inferensleverantörs katalog, och nedladdningsräknaren stod på noll. Modellkortet stavar namnet med mellanslag – Sing VL S1 – och beskriver det som en multimodal beslutsmodell byggd på Q​wen3.5. Det är hela den offentliga dokumentationen. Allt nedan är läst från filerna i det repositoryt, och allt som låter som ett påstående är märkt som ett sådant.

Vad betyder "decision model" här, exakt?

Det här är inte en chattmodell där synförmåga har skruvats på i efterhand. Du skickar inte en prompt till den och läser ett stycke tillbaka. Du skickar ett tillstånd — text, JSON eller upp till fyra bilder — plus en ordbok med namngivna frågor, och varje fråga deklarerar sin typ och sina kandidatsvar. Modellen kör en framåtpassning och returnerar en sannolikhet för varje kandidat.

Det finns tre frågetyper, och namnen är modellens egna:

• Val — välj ett av de angivna alternativen; svaret anger en sannolikhet per alternativ.

• Noul — ett ja/nej-påstående; svaret är sannolikheten att det är sant. Stavningen är underlig och det är vad kortet använder.

• Poäng — betygsätt indata på 2 till 10 ordnade nivåer; svaret innehåller varje nivås sannolikhet plus en förväntad nivå som beräknas som summan av nollbaserat index multiplicerat med sannolikhet.

Så en enda förfrågan kan ställa frågorna "vilken färg som namnges", "är den namngivna färgen röd" och "hur tydligt texten identifierar färgen som röd", och få tre svar med konfidensgrader från en enda körning. Kortets eget exempel gör precis det och upprepar det sedan över två bilder för att fråga vilken som är röd.

Den arkitektoniska konsekvensen är att utdatavokabulären inte är en vokabulär. Det finns ingen sampling, ingen temperatur, ingen tokenström att parsa och inget JSON-läge att locka fram. Om din pipeline för närvarande slutar i ett regex över en modells prosa för att extrahera en etikett, är detta den typ av modell som tar bort regexet. Om din pipeline behöver prosan – en sammanfattning, en motivering, ett verktygsanrop – har den här modellen inget att ge dig, eftersom den aldrig genererar någon.

Siffrorna, och vems siffror de är.

Kortet publicerar en tabell med rubriken "Public Decision Index 0.3". Sing VL S1 får 69,76 på textpanelen och 73,94 på visionspanelen. Jämförelsekolumnerna är TypeSafe Jev 1.14 med 60,70 på text utan publicerad visionscore, StartLux-Decision v1.1 4B med 67,8 på text och 67,90 på vision, samt Perplexity Decider Flash v1.2 (4B) med 60,1 på text och 72,5 på vision.

Läs det som en självrapport. Varje siffra i den kommer från laboratoriet som tränade modellen, på en resultattavla vars poängsättningsverktyg är offentligt men vars privata hälft inte är det, och ingen tredje part har kört om något av det. Decision Index egna reproduceringskit – projektet decision-index som bygger om den offentliga sviten och poängsätter inskickade körningar – visar ingen SingVL-inlämning någonstans i sin historik över ärenden eller pull-förfrågningar i morse. Kortet innehåller visserligen instruktionerna för inlämning, vilket är en rimlig signal om avsikt men inte ett bevis på ett resultat.

Uppdelningen per dataset är mer användbar än rubriksiffran, eftersom den visar var det sammanvägda resultatet kommer från. På de elva bilddatamängderna är de starkaste raderna InfographicVQA på 96,31, Winoground på 93,12 och CORD-plus-FUNSD-nyckelinformationsuppsättningen på 95,82. De svaga raderna är lika informativa: MMMU-Pro vision landar på 50,17 utan skill och 42,85 med skill-prompten, R-Bench-M på 49,77 och 39,72, och moderering av hatiska memes på 71,64 som faller till 43,28. Det är en modell som läser dokument och layouter bra men resonerar dåligt kring svåra akademiska siffror — en profil som stämmer med en backbone på 4,5 miljarder parametrar som gör klassificering snarare än överläggning.

Bland de fyrtiotre textdatamängderna sticker BFCL med 96,81 och CLINC150 med 97,03 ut; HLE med 12,77, ChessBench med 26,88 och SGD-dialoguppsättningen med 8,33 ligger i botten. Kortet markerar flera rader med ett dolktecken för att visa att indexet redovisar dem separat i stället för att räkna in dem, vilket är ett slags öppenhet som gör resten av tabellen lättare att lita på.

Vad finns egentligen i arkivet?

Två safetensors-shardar med en total storlek på cirka 9,1 GB, vilket vid BF16 motsvarar ungefär 4,54 miljarder parametrar – repositorienamnet säger 4B, Hugging Face-sidopanelen avrundar till 5B, och tensorsumman är talet däremellan. En konfiguration som anger arkitekturen Q​wen3.5 för villkorad generering med en hidden size på 2560. En chattmall på 7,7 KB som hanterar bild- och videotokens. Och en inference/-katalog som innehåller det som gör allt detta användbart: en Python-wrapper, en FastAPI-server, ett benchmark-skript och två exempelbilder, en blå och en röd.

Uppsättningen är specificerad ända ner till patchversionen: Python 3.12, hårdvaruanpassade PyTorch och torchvision, requirements installerade inifrån inference/. Servern körs på port 8173 och svarar på POST /v1/systemone. Den sökvägen är inte en OpenAI-kompatibel rutt och låtsas inte vara det; det är det överföringsformat som utvärderingskitet Decision Index talar. Kortets snabbstart kopplar kitet direkt till den slutpunkten, först för textsviten och sedan för visionsviten med en explicit pixelbudget på 1 638 400 per bild.

Två gränser spelar roll operativt och anges i kortet i stället för att upptäckas i produktion: fyra bilder per begäran och 65 536 token indata för enbart text eller 10 000 token när bilder är bifogade. Processorkonfigurationen anger högst 1 806 336 pixlar per bild, så en skärmbild av en hel sida skalas ned innan den läses.

Konfigurationsfilen avslöjar sitt ursprung

Öppna config.json så dyker det upp en uppsättning nycklar som inte är standard i Qwen3.5: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. Prefixkontraktet lyder "all-input-before-first-answer; single-turn; no-thinking". Blocket för soft-choice innehåller SHA-256-hashar för de Python-filer som implementerar utläsningen, fastnålade så att en utvärderare kan bekräfta att koden som gav en poäng är koden som levererades.

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.

Det finns ett syskon i samma organisation som stöder tolkningen. inclusionAI:s LemonDecider, som publicerades i slutet av oktober på en Qwen3.5-4B-bas, är en beslutsmotor enbart för text med en utläsning på 255 alternativ och en konstant för temperaturkalibrering; dess kort beskriver samma vokabulär för choice/noul/score och samma design med en enda framåtpassning. Sing VL S1 ser ut som att det arbetet har utökats till bilder. Organisationen har inte sagt det.

Det som saknas är inte kosmetiskt

• Ingen licens. Modellkortets metadata anger taggar för arkitekturen och uppgiften men inget licensfält alls, och ingen LICENSE-fil finns i repositoriet. Utan en sådan är standardläget inte "öppet" – det är "alla rättigheter förbehållna, fråga författaren". Ett team som behöver leverera detta kommersiellt har ännu inget tillstånd att förlita sig på, och bör säga det till sina jurister innan det säger det till sin färdplan.

• Ingen artikel. Organisationen har trettioen artiklar på sin Hugging Face-profil och ingen av dem handlar om den här modellen. Det finns inget metodavsnitt, ingen beskrivning av träningsdata, inget uttalande om vad de 4,54 miljarderna parametrarna har finjusterats på.

• Inget tillkännagivande. Organisationskortet hänvisar fortfarande följare till sitt GitHub och sina två X-konton för versionsnyheter; ingen av kanalerna har ett inlägg om detta repo som kunde hittas idag. Organisationens GitHub har inget SingVL-repo.

• Ingen hostad slutpunkt. Ingen inferensleverantör listar den. Det enda sättet att köra den är att ladda ner 9,1 GB och själv servera den.

• Inget oberoende resultat. Det har tagits upp ovan och är värt att upprepa eftersom det är det som avgör om 69,76 betyder något för dig.

Hur du faktiskt skulle använda det, om du bestämmer dig för att göra det

Den ärliga driftsättningshistorien är en sidecar, inte en ersättning. Sätt FastAPI-servern på en GPU-maskin, låt din befintliga pipeline peka på den för den specifika deluppgift där du för närvarande tolkar ut en etikett ur genererad text – avsiktsdirigering, triage av dokumenttyp, modereringsflaggor, en ja/nej-grind före ett dyrt anrop – och lämna den generativa modellen där den är för allt som behöver en förklaring. Sannolikhetsutdata är poängen: du får ett tal att jämföra mot ett tröskelvärde, inte en sträng att lita på.

Det som gör det billigt att prova är att API:et är en enda rutt med en platt JSON-body. En wrapper-funktion är en förmiddags arbete. Det som gör det dyrt att bero på är att en modell utan licens, utan paper och med ett dagsgammalt repository kan ändras eller försvinna utan förvarning, så pinna revisionshashen i konfigurationen och behandla endpointen som opålitlig infrastruktur bakom en fallback.

Det är också där routing förtjänar sin plats i stället för att vara en slogan. OrcaRouter har redan TypeSafe Jev 1.14 — typesafe/jev-1.14, för $0.042 per miljon indatatokens — vilket innebär att beslutsmodellmönstret kan anropas idag via en enda nyckel vid sidan av de generativa modeller som det skulle stå bredvid. Sing VL S1 finns inte på OrcaRouter och det finns inget att tillkännage om det här; det relevanta faktumet är snävare och mer användbart. Du kan mäta mönstret på en fungerande endpoint innan du åtar dig att servera en 9 GB checkpoint vars användarvillkor är tomma, och om checkpointen senare förtjänar sin plats är ett andra avtal inte kostnaden för att införa den.

Vad skulle få detta att gå från en kuriositet till ett beslut?

Tre saker, i ordning efter hur mycket de skulle avslöja. En licensfil, för utan den spelar inget annat någon roll kommersiellt. En inlämning till Decision Index med en bifogad körningskatalog, eftersom kortets inlämningsavsnitt beskriver exakt den artefakt som skulle låta en främling kontrollera 69.76 och 73.94 i stället för att bara acceptera dem. Och en andra oberoende utvärdering på ett testramverk som någon annan kontrollerar, eftersom en modell som vinner på ett benchmark som dess egna författare var med och formaliserade behöver en andra åsikt innan den behöver ett lanseringsinlägg.

Fram till dess är det korrekta sättet att läsa den här releasen detsamma som du skulle läsa en preprint med metodavsnittet borta: artefakten är verklig, siffrorna är författarnas, och det intressanta är att en synmodell med 4,5 miljarder parametrar byggd för sannolikhetsvektorer snarare än stycken nu överhuvudtaget finns. Huruvida det blir en kategori eller en fotnot beror på pappersarbete som repositoriet ännu inte innehåller.