SingVL S1 4B: мультимодальная модель принятия решений на базе Qwen3.5

На HuggingFace 11 ноября 2026 года опубликована модель inclusionAI/SingVL_S1_4B с задачей image-text-to-text. Это мультимодальная модель принятия решений, построенная на Qwen3.5: она отвечает на вопросы по тексту или JSON и принимает до четырёх изображений. Каждый вопрос обрабатывается одним проходом Transformers, который оценивает предложенные варианты. Модель поддерживает три режима: Choice выбирает вариант и возвращает вероятность для каждого кандидата, Noul оценивает вероятность истинности утверждения «да/нет», Score оценивает входные данные по шкале от 2 до 10 уровней и возвращает вероятность каждого уровня и ожидаемый уровень.

Что это значит

Модель содержит 4.5 млрд параметров. Самый большой файл весов — 4.7 ГБ, всего в репозитории 8.5 ГБ в формате safetensors. Запускается через transformers. На площадке есть две квантованные сборки GGUF, самая маленькая рабочая — 2.3 ГБ в формате IQ4_XS от maternion. Лицензию автор не указал. Для локального запуска полной модели потребуется видеокарта с запасом видеопамяти под 8.5 ГБ весов, квантованная сборка на 2.3 ГБ заметно снижает требования. По бенчмаркам из карточки модели Sing VL S1 показывает 69.76 в текстовом индексе и 73.94 в визуальном, обходя TypeSafe Jev 1.14, StartLux-Decision v1.1 4B и Perplexity Decider Flash v1.2 в текстовых задачах. Подробнее о новостях локальных ИИ-инструментов — в ленте CPU3D.