SingVL_S1_4B: โมเดลการตัดสินใจขนาด 4.54B ที่ inclusionAI เปิดตัวโดยไม่บอกกล่าวสักคำ

เมื่อเวลา 03:58 UTC ของวันที่ 11 พฤศจิกายน 2026 รีพозиทอรีชื่อ SingVL_S1_4B ปรากฏขึ้นภายใต้องค์กร inclusionAI บน Hugging Face เมื่อเวลา 05:38 UTC มีคนแก้ไข README ของรีพозиทอรีนี้ ณ เวลาที่เขียนข้อความนี้ ยังไม่มีโพสต์บล็อกจากแล็บ ไม่มีบทความ arXiv ไม่มีรีลีสบน GitHub ไม่มีรายการในแค็ตตาล็อกของผู้ให้บริการ inference รายใด และตัวนับการดาวน์โหลดยังคงอยู่ที่ศูนย์ โมเดลการ์ดสะกดชื่อโดยมีช่องว่าง — Sing VL S1 — และอธิบายว่าเป็นโมเดลการตัดสินใจแบบมัลติโมดัลที่สร้างขึ้นบน Qwen3.5 นั่นคือบันทึกสาธารณะทั้งหมด ทุกสิ่งด้านล่างนี้อ่านมาจากไฟล์ในรีพозиทอรีนั้น และทุกสิ่งที่ดูเหมือนเป็นข้อกล่าวอ้างจะถูกระบุว่าเป็นข้อกล่าวอ้าง

คำว่า "decision model" ในที่นี้หมายถึงอะไรกันแน่

นี่ไม่ใช่แชตโมเดลที่แค่เอาความสามารถด้านภาพมาแปะเพิ่มไว้ คุณไม่ได้ส่งพรอมป์ต์ให้มันแล้วอ่านข้อความตอบกลับเป็นย่อหน้า คุณส่งสถานะให้มัน — ข้อความ, JSON หรือภาพไม่เกินสี่ภาพ — พร้อมพจนานุกรมของคำถามที่ตั้งชื่อไว้ และแต่ละคำถามจะประกาศประเภทและคำตอบที่เป็นตัวเลือกของตัวเอง โมเดลจะรัน forward pass เพียงครั้งเดียวและคืนค่าความน่าจะเป็นสำหรับทุกตัวเลือก

มีคำถามอยู่สามประเภท และชื่อเหล่านั้นเป็นของโมเดลเอง:

• ตัวเลือก — เลือกหนึ่งตัวเลือกจากตัวเลือกที่ให้มา; คำตอบจะมีค่าความน่าจะเป็นสำหรับแต่ละตัวเลือก

• Noul — ข้อเสนอแบบใช่/ไม่ใช่; คำตอบคือความน่าจะเป็นที่ข้อเสนอนั้นเป็นจริง การสะกดดูแปลก และนี่คือสิ่งที่การ์ดใช้

• คะแนน — ให้คะแนนอินพุตตาม {{1}}2 ถึง 10 ระดับที่มีลำดับ{{/1}}; การตอบกลับประกอบด้วยความน่าจะเป็นของแต่ละระดับ บวกกับระดับคาดหวังที่คำนวณเป็นผลรวมของดัชนีเริ่มจากศูนย์คูณกับความน่าจะเป็น

ดังนั้นคำขอเดียวสามารถถามว่า "สีใดถูกระบุชื่อ" "สีที่ระบุชื่อเป็นสีแดงหรือไม่" และ "ข้อความระบุว่าสีนั้นเป็นสีแดงได้ชัดเจนเพียงใด" แล้วได้รับคำตอบสามข้อพร้อมค่าความมั่นใจจากการประมวลผลเพียงครั้งเดียว ตัวอย่างบนการ์ดเองก็ทำแบบนั้นเป๊ะ แล้วทำซ้ำกับภาพสองภาพเพื่อถามว่าภาพใดเป็นสีแดง

ผลที่ตามมาทางสถาปัตยกรรมก็คือ ชุดคำศัพท์ของเอาต์พุตไม่ใช่ชุดคำศัพท์จริง ๆ ไม่มีการสุ่มตัวอย่าง ไม่มี temperature ไม่มีสตรีมโทเค็นให้แยกวิเคราะห์ และไม่มีโหมด JSON ให้ต้องเคี่ยวเข็ญ หากไปป์ไลน์ของคุณในปัจจุบันจบลงด้วย regex บนข้อความร้อยเรียงของโมเดลเพื่อดึงป้ายกำกับ นี่คือรูปร่างของโมเดลที่กำจัด regex นั้นออกไป หากไปป์ไลน์ของคุณต้องการข้อความร้อยเรียง—สรุป เหตุผล หรือการเรียกเครื่องมือ—โมเดลนี้ไม่มีอะไรจะให้คุณ เพราะมันไม่เคยสร้างสิ่งเหล่านั้นขึ้นมา

ตัวเลข และว่าตัวเลขเหล่านั้นเป็นของใคร

การ์ดเผยแพร่ตารางที่หัวข้อว่า "Public Decision Index 0.3" Sing VL S1 ได้คะแนน 69.76 ในแผง Text และ 73.94 ในแผง Vision คอลัมน์เปรียบเทียบคือ TypeSafe Jev 1.14 ที่ 60.70 ด้าน text โดยไม่มีคะแนน vision เผยแพร่, StartLux-Decision v1.1 4B ที่ 67.8 ด้าน text และ 67.90 ด้าน vision, และ Perplexity Decider Flash v1.2 (4B) ที่ 60.1 ด้าน text และ 72.5 ด้าน vision

ให้อ่านสิ่งนั้นเป็นการรายงานตนเอง ตัวเลขทุกตัวในนั้นมาจากห้องแล็บที่ฝึกโมเดล บนลีดเดอร์บอร์ดที่ชุดเครื่องมือให้คะแนนเปิดเผย แต่ครึ่งที่เป็นส่วนตัวไม่เปิดเผย และยังไม่มีบุคคลที่สามรายใดรันซ้ำสิ่งใดจากมันเลย ชุดเครื่องมือสำหรับทำซ้ำของ Decision Index เอง — โปรเจกต์ decision-index ที่สร้างชุดทดสอบสาธารณะขึ้นใหม่และให้คะแนนการรันที่ส่งเข้ามา — ไม่แสดงการส่งผลงานของ SingVL ที่ใดเลยในประวัติ issue หรือ pull request ของโปรเจกต์ ณ เช้านี้ การ์ดนั้นมีคำแนะนำการส่งผลงานอยู่จริง ซึ่งเป็นสัญญาณของเจตนาที่สมเหตุสมผล และไม่ใช่หลักฐานของผลลัพธ์

การแยกย่อยรายชุดข้อมูลมีประโยชน์กว่าตัวเลขพาดหัว เพราะมันแสดงให้เห็นว่าค่าภาพรวมมาจากไหน ในชุดข้อมูลภาพทั้งสิบเอ็ดชุด แถวที่ทำได้ดีที่สุดคือ InfographicVQA ที่ 96.31, Winoground ที่ 93.12 และชุดข้อมูลสารสนเทศสำคัญ CORD-plus-FUNSD ที่ 95.82 แถวที่อ่อนก็ให้ข้อมูลไม่แพ้กัน: MMMU-Pro vision ได้ 50.17 ในแบบไม่ใช้สกิล และ 42.85 เมื่อใช้พรอมป์ต์สกิล, R-Bench-M ที่ 49.77 และ 39.72 และการกลั่นกรองมีมที่แสดงความเกลียดชังที่ 71.64 ลดลงไปเป็น 43.28 นั่นคือโมเดลที่อ่านเอกสารและเลย์เอาต์ได้ดี และให้เหตุผลกับตัวเลขทางวิชาการที่ยากได้ไม่ดี — โปรไฟล์ที่สอดคล้องกับแบ็กโบนขนาด 4.5 พันล้านพารามิเตอร์ที่ทำการจำแนกมากกว่าการใคร่ครวญ

ในชุดข้อมูลข้อความสี่สิบสามชุด BFCL ที่ 96.81 และ CLINC150 ที่ 97.03 เป็นจุดเด่น ส่วน HLE ที่ 12.77, ChessBench ที่ 26.88 และชุดบทสนทนา SGD ที่ 8.33 เป็นค่าต่ำสุด การ์ดทำเครื่องหมายหลายแถวด้วยสัญลักษณ์แดกเกอร์เพื่อระบุว่าดัชนีรายงานค่าเหล่านี้แยกต่างหากแทนที่จะรวมเข้าไป ซึ่งเป็นการเปิดเผยแบบที่ทำให้ส่วนที่เหลือของตารางน่าเชื่อถือมากขึ้น

จริง ๆ แล้วมีอะไรอยู่ใน repository

ไฟล์ safetensors แบบแชร์ดสองไฟล์ รวมกันประมาณ 9.1 GB ซึ่งที่ BF16 คำนวณออกมาได้ประมาณ 4.54 พันล้านพารามิเตอร์ — ชื่อรีโพซิทอรีระบุว่า 4B แถบด้านข้างของ Hugging Face ปัดเป็น 5B และจำนวนเทนเซอร์รวมคือตัวเลขที่อยู่ระหว่างกลาง การกำหนดค่าที่ประกาศสถาปัตยกรรม conditional-generation ของ Q​wen3.5 โดยมี hidden size 2560 เทมเพลตแชตขนาด 7.7 KB ที่รองรับโทเค็นรูปภาพและวิดีโอ และไดเรกทอรี inference/ ที่มีสิ่งที่ทำให้ทั้งหมดนี้ใช้งานได้ ได้แก่ Python wrapper, เซิร์ฟเวอร์ FastAPI, สคริปต์ benchmark และรูปตัวอย่างสองรูป รูปหนึ่งสีน้ำเงินและอีกรูปสีแดง

การตั้งค่าถูกระบุลงลึกถึงระดับแพตช์เวอร์ชัน: Python 3.12, PyTorch และ torchvision ที่จับคู่กับฮาร์ดแวร์, requirements ที่ติดตั้งจากภายใน inference/ เซิร์ฟเวอร์ทำงานบนพอร์ต 8173 และตอบรับที่ POST /v1/systemone พาธนั้นไม่ใช่เส้นทางที่เข้ากันได้กับ OpenAI และไม่ได้แสร้งว่าเป็น มันคือ wire format ที่ชุดประเมิน Decision Index ใช้สื่อสาร quickstart ของการ์ดเชื่อมชุดเครื่องมือเข้ากับเอนด์พอยต์นั้นโดยตรง เริ่มจากชุดทดสอบข้อความก่อน แล้วจึงเป็นชุดทดสอบภาพ โดยกำหนดงบพิกเซลอย่างชัดเจนที่ 1,638,400 พิกเซลต่อภาพ

มีขีดจำกัดสองข้อที่สำคัญในทางปฏิบัติ และระบุไว้ในบัตรแทนที่จะต้องไปค้นพบในระหว่างการใช้งานจริง: ภาพสี่ภาพต่อคำขอ และ 65,536 โทเค็นของอินพุตสำหรับข้อความล้วน หรือ 10,000 โทเค็นเมื่อแนบภาพแล้ว การกำหนดค่าตัวประมวลผลกำหนดค่าสูงสุดที่ 1,806,336 พิกเซลต่อภาพ ดังนั้นภาพหน้าจอเต็มหน้าจอจะถูกย่อขนาดก่อนที่จะถูกอ่าน

ไฟล์คอนฟิกเผยให้เห็นที่มาที่ไปของมัน

เปิด config.json แล้วจะมีชุดคีย์ที่ไม่ใช่มาตรฐานของ Q​wen3.5 ปรากฏขึ้น: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice สัญญา prefix ระบุว่า "all-input-before-first-answer; single-turn; no-thinking" บล็อก soft-choice มีแฮช SHA-256 ของไฟล์ Python ที่ใช้ในการอ่านค่า ซึ่งถูกปักหมุดไว้เพื่อให้ผู้ประเมินยืนยันได้ว่าโค้ดที่สร้างคะแนนคือโค้ดที่จัดส่ง

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.

มีโมเดลพี่น้องในองค์กรเดียวกันที่สนับสนุนการตีความนี้ LemonDecider ของ inclusionAI ซึ่งเผยแพร่ช่วงปลายเดือนตุลาคมบนฐาน Qwen3.5-4B เป็นเอนจินตัดสินใจแบบข้อความล้วนที่มีการอ่านค่าออกมาเป็น 255 ตัวเลือกและมีค่าคงที่การปรับเทียบอุณหภูมิ การ์ดของมันอธิบายคำศัพท์ choice/noul/score ชุดเดียวกับและการออกแบบที่ใช้ forward pass เพียงครั้งเดียวแบบเดียวกัน Sing VL S1 ดูเหมือนเป็นงานในสายนั้นที่ขยายไปยังรูปภาพ แต่องค์กรยังไม่ได้ระบุเช่นนั้น

สิ่งที่ขาดไปไม่ใช่เรื่องผิวเผิน

• ไม่มีสัญญาอนุญาต เมทาดาทาของการ์ดโมเดลประกาศแท็กสำหรับสถาปัตยกรรมและงาน แต่ไม่มีฟิลด์สัญญาอนุญาตเลย และไม่มีไฟล์ LICENSE อยู่ในรีโพซิทอรี หากไม่มีสัญญาอนุญาต ค่าเริ่มต้นไม่ใช่ "เปิด" — แต่เป็น "สงวนลิขสิทธิ์ทั้งหมด สอบถามผู้เขียน" ทีมที่ต้องนำสิ่งนี้ไปเผยแพร่เชิงพาณิชย์ยังไม่มีสิทธิ์ใด ๆ ที่จะอ้างอิงได้ และควรแจ้งเรื่องนี้แก่ฝ่ายกฎหมายก่อนที่จะแจ้งกับโรดแมปของตน

• ไม่มีเปเปอร์ องค์กรมีเปเปอร์ 31 ฉบับบนโปรไฟล์ Hugging Face และไม่มีฉบับใดเกี่ยวกับโมเดลนี้ ไม่มีส่วนระเบียบวิธี ไม่มีคำอธิบายข้อมูลที่ใช้ฝึก และไม่มีข้อความระบุว่าพารามิเตอร์ 4.54 พันล้านตัวถูกปรับจูนจากสิ่งใด

• ไม่มีประกาศ การ์ดขององค์กรยังคงชี้ผู้ติดตามไปที่ GitHub และบัญชี X สองบัญชีขององค์กรสำหรับข่าวการรีลีส โดยไม่มีช่องใดเลยที่มีโพสต์เกี่ยวกับรีโพซิทอรีนี้ซึ่งหาเจอได้ในวันนี้ GitHub ขององค์กรไม่มีรีโพซิทอรี SingVL

• ไม่มี hosted endpoint ให้ใช้ ไม่มีผู้ให้บริการ inference รายใดลงรายการไว้ ทางเดียวที่จะรันได้คือดาวน์โหลด 9.1 GB แล้วให้บริการด้วยตัวเอง

• ไม่มีผลลัพธ์ที่เป็นอิสระ กล่าวถึงไว้ข้างต้นแล้ว และคุ้มค่าที่จะย้ำ เพราะเป็นสิ่งเดียวที่ตัดสินว่า 69.76 จะมีความหมายอะไรกับคุณหรือไม่

คุณจะใช้งานมันจริง ๆ อย่างไร หากคุณตัดสินใจจะใช้

เรื่องราวการนำไปใช้แบบตรงไปตรงมาคือ sidecar ไม่ใช่การแทนที่ ติดตั้ง FastAPI server บนเครื่อง GPU ชี้ pipeline เดิมของคุณมาที่มันสำหรับงานย่อยเฉพาะที่ตอนนี้คุณต้องแกะ label ออกจากข้อความที่โมเดลสร้างขึ้น — การจัดเส้นทาง intent, การคัดแยกประเภทเอกสาร, การติดธง moderation, gate yes/no ก่อนเรียกใช้บริการที่แพง — และปล่อยโมเดล generative ไว้ที่เดิมสำหรับทุกอย่างที่ต้องมีคำอธิบาย สิ่งที่ได้จาก probability คือหัวใจ: คุณได้ตัวเลขมาั้ัง threshold ไม่ใช่สตริงที่ต้องเชื่อใจ

สิ่งที่ทำให้การลองสิ่งนี้มีต้นทุนต่ำคือ API เป็นเพียงเส้นทางเดียวที่มี JSON body แบบแบน การเขียนฟังก์ชันห่อนั้นใช้เวลาแค่ครึ่งวันเช้า สิ่งที่ทำให้การพึ่งพามันมีต้นทุนสูงคือโมเดลที่ไม่มีใบอนุญาต ไม่มีเปเปอร์ และมีรีโพซิทอรีอายุแค่วันเดียวสามารถเปลี่ยนแปลงหรือหายไปได้โดยไม่แจ้งให้ทราบ ดังนั้นจงปักหมุด revision hash ไว้ในคอนฟิก และถือว่า endpoint เป็นโครงสร้างพื้นฐานที่ไม่น่าไว้วางใจซึ่งอยู่หลัง fallback

นี่ก็เป็นจุดที่การจัดเส้นทาง (routing) พิสูจน์คุณค่าของตัวเองได้จริง ไม่ใช่เป็นเพียงสโลแกนOrcaRouter มี TypeSafe Jev 1.14 อยู่แล้ว — typesafe/jev-1.14 ในราคา $0.042 ต่อหนึ่งล้านโทเค็นอินพุต — ซึ่งหมายความว่าแพตเทิร์นของโมเดลการตัดสินใจนี้เรียกใช้ได้แล้ววันนี้ผ่านคีย์เดียว ควบคู่ไปกับโมเดลเชิงสร้างที่มันจะอยู่เคียงข้าง สำหรับ Sing VL S1 นั้นไม่ได้อยู่บน OrcaRouter และไม่มีอะไรจะประกาศเกี่ยวกับเรื่องนี้ ณ ที่นี้ ข้อเท็จจริงที่เกี่ยวข้องนั้นแคบกว่าและมีประโยชน์มากกว่า คุณสามารถวัดแพตเทิร์นนี้บนปลายทางที่ใช้งานได้จริงก่อนที่คุณจะตัดสินใจให้บริการเช็กพอยต์ขนาด 9 GB ซึ่งข้อกำหนดการใช้งานว่างเปล่า และหากภายหลังเช็กพอยต์นั้นพิสูจน์คุณค่าของตัวเองได้ สัญญาฉบับที่สองก็ไม่ใช่ต้นทุนของการนำมาใช้

อะไรจะเปลี่ยนสิ่งนี้จากความอยากรู้อยากเห็นให้เป็นการตัดสินใจ

สามสิ่ง เรียงตามลำดับว่าสิ่งใดจะให้ข้อมูลกับคุณได้มากกว่ากัน ไฟล์ใบอนุญาต เพราะหากไม่มีสิ่งนี้ สิ่งอื่นใดก็ไม่มีความหมายในเชิงพาณิชย์ การส่งไปยัง Decision Index พร้อมแนบไดเรกทอรีการรันมาด้วย เพราะส่วนการส่งในบัตรอธิบายไว้พอดีถึงชิ้นงานที่จะทำให้บุคคลภายนอกตรวจสอบ 69.76 และ 73.94 ได้ แทนที่จะต้องเชื่อตัวเลขเหล่านั้น และการประเมินอิสระครั้งที่สองบนฮาร์เนสที่คนอื่นควบคุม เพราะโมเดลที่ชนะบน benchmark ที่ผู้เขียนของมันมีส่วนร่วมกำหนดมาตรฐานต้องการความเห็นที่สองก่อนที่จะต้องการโพสต์เปิดตัว

จนถึงตอนนั้น วิธีอ่านรีลีสนี้อย่างถูกต้องก็คือวิธีที่คุณจะอ่าน preprint ที่ไม่มีส่วนวิธีการ: อาร์ติแฟกต์นั้นมีอยู่จริง ตัวเลขเป็นของผู้เขียน และส่วนที่น่าสนใจคือการที่โมเดลวิชันขนาด 4.5 พันล้านพารามิเตอร์ซึ่งสร้างขึ้นสำหรับเวกเตอร์ความน่าจะเป็นแทนที่จะเป็นย่อหน้า ตอนนี้มีอยู่จริงเสียแล้ว การที่สิ่งนี้จะกลายเป็นหมวดหมู่หรือเป็นเชิงอรรถ ขึ้นอยู่กับเอกสารที่รีโพซิทอรีนี้ยังไม่มี