SingVL_S1_4B: Mô hình quyết định 4,54B mà inclusionAI đã phát hành không một lời báo trước

Vào 03:58 UTC ngày 11 tháng 11 năm 2026, một kho lưu trữ có tên SingVL_S1_4B đã xuất hiện dưới tổ chức inclusionAI trên Hugging Face. Vào 05:38 UTC, ai đó đã chỉnh sửa README của nó. Vào thời điểm bài viết này được viết, không có bài đăng blog nào từ phòng thí nghiệm, không có bài báo arXiv, không có bản phát hành GitHub, không có mục nào trong danh mục của bất kỳ nhà cung cấp dịch vụ suy luận nào, và bộ đếm lượt tải xuống vẫn ở mức không. Thẻ mô hình viết tên có dấu cách — Sing VL S1 — và mô tả nó là một mô hình quyết định đa phương thức được xây dựng trên Q​wen3.5. Đó là toàn bộ hồ sơ công khai. Mọi thứ dưới đây được đọc trực tiếp từ các tệp trong kho lưu trữ đó, và mọi thứ có vẻ như là một tuyên bố đều được gắn nhãn là tuyên bố.

Chính xác thì “decision model” ở đây có nghĩa là gì?

Đây không phải là một mô hình trò chuyện được gắn thêm khả năng thị giác. Bạn không gửi cho nó một lời nhắc rồi đọc lại một đoạn văn. Bạn gửi cho nó một trạng thái — văn bản, JSON hoặc tối đa bốn hình ảnh — cùng với một từ điển các câu hỏi có tên, và mỗi câu hỏi khai báo loại của nó và các câu trả lời ứng viên. Mô hình thực hiện một lượt truyền xuôi và trả về xác suất cho từng ứng viên.

Có ba loại câu hỏi, và những cái tên là do chính mô hình đặt:

• Lựa chọn — chọn một trong các tùy chọn được cung cấp; phản hồi kèm theo xác suất cho mỗi tùy chọn.

• Noul — một mệnh đề có/không; câu trả lời là xác suất mệnh đề đó đúng. Cách viết này lạ và đó chính là cách thẻ sử dụng.

• Điểm số — đánh giá đầu vào theo 2 đến 10 mức có thứ tự; phản hồi mang xác suất của từng mức cùng một mức kỳ vọng được tính bằng tổng của chỉ số bắt đầu từ 0 nhân với xác suất.

Vì vậy, một yêu cầu duy nhất có thể hỏi "màu nào được nêu tên", "màu được nêu tên có phải màu đỏ không" và "văn bản nhận diện màu là đỏ rõ ràng đến mức nào", rồi nhận được ba câu trả lời kèm độ tin cậy chỉ từ một lượt. Ví dụ của chính thẻ làm đúng như vậy, rồi lặp lại điều đó trên hai hình ảnh để hỏi hình nào là màu đỏ.

Hệ quả về mặt kiến trúc là từ vựng đầu ra không phải là một từ vựng. Không có lấy mẫu, không có temperature, không có luồng token để phân tích cú pháp và không có chế độ JSON để dụ dỗ. Nếu pipeline của bạn hiện đang kết thúc bằng một regex trên văn xuôi của mô hình để trích xuất một nhãn, thì đây chính là dạng mô hình loại bỏ regex. Nếu pipeline của bạn cần văn xuôi — một bản tóm tắt, một lý do giải thích, một lệnh gọi công cụ — mô hình này không có gì để cung cấp cho bạn, vì nó không bao giờ tạo ra thứ đó.

Những con số, và chúng là số của ai

Thẻ công bố một bảng có tiêu đề "Public Decision Index 0.3". Sing VL S1 đạt 69.76 trên bảng Text và 73.94 trên bảng Vision. Các cột so sánh là TypeSafe Jev 1.14 đạt 60.70 ở text và không công bố điểm vision, StartLux-Decision v1.1 4B đạt 67.8 text và 67.90 vision, và Perplexity Decider Flash v1.2 (4B) đạt 60.1 text và 72.5 vision.

Hãy đọc đó như một bản tự báo cáo. Mọi con số trong đó đều đến từ phòng thí nghiệm đã huấn luyện mô hình, trên một bảng xếp hạng mà bộ công cụ tính điểm của nó là công khai nhưng nửa riêng tư thì không, và chưa bên thứ ba nào chạy lại bất kỳ phần nào trong đó. Bộ công cụ tái lập của chính Decision Index — dự án decision-index xây dựng lại bộ kiểm thử công khai và chấm điểm các lượt chạy được gửi — không cho thấy bài gửi SingVL nào ở bất kỳ đâu trong lịch sử issue hoặc pull request của nó tính đến sáng nay. Thẻ này đúng là có bao gồm hướng dẫn gửi bài, đó là tín hiệu hợp lý về ý định chứ không phải bằng chứng về kết quả.

Phân tích chi tiết theo từng bộ dữ liệu hữu ích hơn con số tổng quan, vì nó cho thấy con số tổng hợp đến từ đâu. Trên mười một bộ dữ liệu thị giác, những hàng mạnh nhất là InfographicVQA với 96.31, Winoground với 93.12 và bộ thông tin then chốt CORD-plus-FUNSD với 95.82. Những hàng yếu cũng mang tính thông tin không kém: MMMU-Pro vision đạt 50.17 ở điều kiện non-skill và 42.85 với prompt kỹ năng, R-Bench-M ở 49.77 và 39.72, còn kiểm duyệt meme thù hận ở 71.64 giảm xuống 43.28. Đó là một mô hình đọc tài liệu và bố cục tốt nhưng lý luận về những con số học thuật khó thì kém — một chân dung nhất quán với backbone 4.5 tỷ tham số làm phân loại thay vì suy xét cân nhắc.

Trên bốn mươi ba bộ dữ liệu văn bản, BFCL ở mức 96.81 và CLINC150 ở mức 97.03 là những điểm nổi bật; HLE ở mức 12.77, ChessBench ở mức 26.88 và bộ hội thoại SGD ở mức 8.33 là mức thấp nhất. Thẻ đánh dấu một số hàng bằng dấu kiếm để cho biết chỉ số báo cáo chúng riêng thay vì gộp chúng vào, đây là kiểu công bố thông tin khiến phần còn lại của bảng dễ tin cậy hơn.

Thực sự có gì trong kho lưu trữ?

Hai shard safetensors với tổng cộng khoảng 9,1 GB, mà ở BF16 tương đương khoảng 4,54 tỷ tham số — tên kho lưu trữ ghi 4B, thanh bên của Hugging Face làm tròn thành 5B, còn tổng số tensor là con số nằm giữa. Một tệp cấu hình khai báo kiến trúc sinh có điều kiện Q​wen3.5 với kích thước ẩn là 2560. Một mẫu chat 7,7 KB xử lý các token hình ảnh và video. Và một thư mục inference/ chứa thứ khiến mọi thứ này trở nên dùng được: một lớp bọc Python, một máy chủ FastAPI, một script benchmark và hai ảnh mẫu, một xanh dương và một đỏ.

Thiết lập được chỉ định chi tiết đến từng phiên bản patch: Python 3.12, PyTorch và torchvision tương thích với phần cứng, các gói requirements được cài từ bên trong inference/. Máy chủ chạy trên cổng 8173 và phản hồi tại POST /v1/systemone. Đường dẫn đó không phải là tuyến tương thích OpenAI và không giả vờ như vậy; đó là định dạng truyền tải mà bộ đánh giá Decision Index sử dụng. Phần quickstart của card kết nối bộ kit trực tiếp với endpoint đó, trước tiên cho bộ kiểm thử văn bản và sau đó cho bộ kiểm thử thị giác với ngân sách pixel rõ ràng là 1.638.400 cho mỗi ảnh.

Hai giới hạn quan trọng về mặt vận hành và được nêu trong thẻ thay vì phải phát hiện trong quá trình sản xuất: bốn hình ảnh mỗi yêu cầu và 65.536 token đầu vào đối với chỉ văn bản hoặc 10.000 token khi có đính kèm hình ảnh. Cấu hình bộ xử lý đặt mức tối đa 1.806.336 pixel mỗi hình ảnh, vì vậy ảnh chụp màn hình toàn trang sẽ được thu nhỏ trước khi được đọc.

Tệp cấu hình để lộ nguồn gốc của nó

Mở config.json và một tập khóa không chuẩn Q​wen3.5 sẽ xuất hiện: jev_gdn_mode, jev_mask_version, jev_packing, jev_prefix_contract, jev_soft_choice. Cam kết tiền tố có nội dung “all-input-before-first-answer; single-turn; no-thinking”. Khối lựa chọn mềm chứa các mã băm SHA-256 của những tệp Python triển khai cơ chế đọc kết quả, được ghim để người đánh giá có thể xác nhận rằng mã đã tạo ra điểm số chính là mã đã được phát hành.

Đọc một cách đơn giản, "j​ev" là tên của harness dùng chung mà mô hình này được tích hợp vào — cùng họ harness mà các mô hình J​ev của TypeSafe và Decision Index kit được tổ chức xoay quanh. Đó là một suy luận từ một chuỗi trong tệp cấu hình, không phải tuyên bố từ nhà cung cấp, và là điều thú vị nhất chưa được giải thích trong bản phát hành. Điều này gợi ý Sing VL S1 không phải là một thử nghiệm từ đầu về quyết định có kiểu mà là một checkpoint thị giác Q​wen3.5 được chuyển thể vào một giao thức hiện có, với phần nội bộ của giao thức được phát hành kèm theo để có thể tái tạo kết quả.

Có một sản phẩm anh em trong cùng tổ chức ủng hộ cách diễn giải này. LemonDecider của inclusionAI, được công bố vào cuối tháng 10 trên nền tảng Qwen3.5-4B, là một động cơ quyết định chỉ dùng văn bản với đầu ra 255 lựa chọn và một hằng số hiệu chỉnh nhiệt độ; thẻ của nó mô tả cùng bộ từ vựng choice/noul/score và cùng thiết kế một lượt truyền xuôi duy nhất. Sing VL S1 có vẻ là hướng công việc đó được mở rộng sang hình ảnh. Tổ chức chưa nói như vậy.

Những gì còn thiếu không phải là chuyện bề ngoài.

• Không có giấy phép. Siêu dữ liệu của model card khai báo thẻ cho kiến trúc và tác vụ nhưng hoàn toàn không có trường giấy phép, và không có tệp LICENSE nào nằm trong kho lưu trữ. Khi thiếu giấy phép, mặc định không phải là "mở" — mà là "bảo lưu mọi quyền, hãy hỏi tác giả". Một nhóm cần phát hành sản phẩm này cho mục đích thương mại vẫn chưa có quyền để dựa vào, và nên nói rõ điều đó với luật sư trước khi nói với lộ trình sản phẩm của mình.

• Không có bài báo nào. Tổ chức có ba mươi mốt bài báo trên hồ sơ Hugging Face của mình và không bài nào trong số đó nói về mô hình này. Không có phần phương pháp, không có mô tả dữ liệu huấn luyện, không có tuyên bố về việc 4,54 tỷ tham số đã được tinh chỉnh trên cái gì.

• Không có thông báo nào. Thẻ tổ chức vẫn hướng người theo dõi đến GitHub và hai tài khoản X của tổ chức để nhận tin tức phát hành; hôm nay không tìm thấy bài đăng nào về kho lưu trữ này trên cả hai kênh. GitHub của tổ chức không có kho lưu trữ SingVL.

• Không có endpoint được lưu trữ. Không nhà cung cấp suy luận nào liệt kê nó. Cách duy nhất để chạy nó là tải xuống 9,1 GB và tự phục vụ nó.

• Không có kết quả độc lập. Điều này đã được đề cập ở trên, và đáng để nhắc lại vì chính nó quyết định liệu con số 69.76 có ý nghĩa gì với bạn hay không.

Bạn sẽ thực sự sử dụng nó như thế nào, nếu bạn quyết định làm vậy

Câu chuyện triển khai trung thực là một sidecar, không phải một sự thay thế. Hãy đặt máy chủ FastAPI trên một máy GPU, trỏ pipeline hiện có của bạn vào đó cho tác vụ con cụ thể mà ở đó bạn hiện đang trích xuất một nhãn ra khỏi văn bản được sinh — định tuyến ý định, phân loại sơ bộ loại tài liệu, cờ kiểm duyệt, một cổng có/không trước một lệnh gọi đắt đỏ — và để mô hình sinh ở nguyên chỗ của nó cho mọi thứ cần lời giải thích. Đầu ra xác suất chính là điểm mấu chốt: bạn nhận được một con số để áp ngưỡng, chứ không phải một chuỗi để tin tưởng.

Điều khiến việc này rẻ để thử là API chỉ có một route với body JSON phẳng. Một hàm wrapper chỉ là công việc của một buổi sáng. Điều khiến việc phụ thuộc vào nó trở nên đắt đỏ là một mô hình không có giấy phép, không có bài báo và kho mã mới một ngày tuổi có thể thay đổi hoặc biến mất mà không báo trước, vì vậy hãy ghim mã băm revision trong config và coi endpoint là hạ tầng không đáng tin cậy nằm sau một fallback.

Đó cũng là nơi định tuyến chứng minh được giá trị của mình chứ không chỉ là một khẩu hiệu. OrcaRouter đã tích hợp TypeSafe Jev 1.14 — typesafe/jev-1.14, với giá $0.042 mỗi triệu token đầu vào — nghĩa là mẫu mô hình ra quyết định có thể được gọi ngay hôm nay chỉ qua một khóa song song với các mô hình sinh mà nó sẽ đứng cạnh. Sing VL S1 không có trên OrcaRouter và không có gì để công bố về nó ở đây; sự thật liên quan hẹp hơn và hữu ích hơn. Bạn có thể đo mẫu này trên một endpoint đang hoạt động trước khi cam kết phục vụ một checkpoint 9 GB có điều khoản sử dụng còn để trống, và nếu sau này checkpoint đó chứng minh được giá trị của mình, thì một hợp đồng thứ hai không phải là chi phí để áp dụng nó.

Điều gì sẽ biến điều này từ một sự tò mò thành một quyết định?

Ba thứ, theo thứ tự về mức độ chúng sẽ cho bạn biết. Một tệp giấy phép, vì nếu không có nó thì mọi thứ khác đều không có ý nghĩa về mặt thương mại. Một bản gửi lên Decision Index kèm theo thư mục run, vì mục submission của card mô tả chính xác artifact có thể giúp một người lạ kiểm tra 69.76 và 73.94 thay vì chỉ tin vào chúng. Và một đánh giá độc lập thứ hai trên một harness do người khác kiểm soát, vì một mô hình thắng trên một benchmark mà chính các tác giả của nó đã góp phần chuẩn hóa cần ý kiến thứ hai trước khi cần một bài đăng ra mắt.

Cho đến lúc đó, cách đúng để đọc bản phát hành này là cách bạn sẽ đọc một bản tiền ấn bản bị thiếu phần phương pháp: artefact là thật, các con số là của chính các tác giả, và phần thú vị nằm ở chỗ một mô hình thị giác 4,5 tỷ tham số được xây dựng cho vectơ xác suất chứ không phải đoạn văn giờ đã tồn tại. Việc đó trở thành một hạng mục hay chỉ là chú thích cuối trang phụ thuộc vào giấy tờ mà kho lưu trữ vẫn chưa có.