К содержимому
Другое

SingVL_S1_4B_GGUF

мультимодальная модель для принятия решений за один проход

2 мин чтения

SingVL-4B GGUF — это квантованная (сжатая для локального запуска) версия мультимодальной модели принятия решений Sing VL S1 от команды inclusionAI, построенная на базе Qwen3.5 (4 млрд параметров). В отличие от обычных чат-ботов, которые генерируют длинный текст по токену за раз, она отвечает на заданные вопросы по тексту, JSON и до четырёх изображений всего за один полный прямой проход (forward pass), возвращая точные вероятности вариантов ответа. В слоях полного внимания используется двунаправленное внимание по всему входу, а состояние очищается перед каждым новым вопросом. Модель пригодится разработчикам для быстрой и предсказуемой классификации, модерации, скоринга и автоматизации логики в пайплайнах.

Ключевые особенности

  • Три режима ответов: choice (выбор варианта с вероятностью каждого кандидата), noul (вероятность истинности утверждения «да/нет») и score (оценка по шкале от 2 до 10 уровней с расчётом математического ожидания).
  • Работа с текстом и картинками: принимает текст или JSON-состояние и до 4 изображений одновременно через общий vision-проектор.
  • Готовые кванты GGUF: доступны версии декодера BF16 (8.42 ГБ), Q8_0 (4.48 ГБ) и Q4_K_M (2.71 ГБ), а также общий проектор F16 (0.67 ГБ).
  • Сильные показатели в тестах: исходная модель набрала 69.76 в текстовом и 73.94 в визуальном зачёте Public Decision Index 0.3, обойдя конкурентов на 4B параметров.

Что можно сделать

  • Автоматическая модерация и фильтрация: проверять пользовательский контент (текст + скриншоты или фото) на соответствие правилам через бинарные вопросы noul с настраиваемым порогом вероятности.
  • Ранжирование и скоринг карточек: оценивать качество товаров, резюме или изображений по многоуровневой шкале score для сортировки в поиске и рекомендациях.
  • Маршрутизация в AI-агентах: использовать как быстрый классификатор намерений и визуальных состояний в локальном FastAPI-сервисе вместо тяжёлых LLM с генерацией JSON.

Пример

from examples.llama_cpp.model import SingVLS1

model = SingVLS1("config", device="cpu")
text, _ = model.predict(
    state="The color is red. ",
    questions={"yesno": {"type": "noul", "instructions": "Is the named color red?"}},
)
print(text["answers"])
ПодробнееБенчмарки исходной модели (Public Decision Index 0.3): Text — 69.76 (на 140 178 запросах), Vision — 73.94 (на 12 210 запросах); полная публичная валидация GGUF-вариантов ещё продолжается.
Среда запуска: в комплекте идёт бэкенд на базе llama.cpp для Linux x86_64 CPU с Python 3.12 и готовым HTTP-сервером FastAPI (порт 8173).
Ограничения: длина контекста по умолчанию — 4096 токенов (включая токены изображений), для работы требуется сборка кастомного адаптера под зафиксированный коммит llama.cpp.
Обсудить Telegram 0

Запустится ли?

Запустится в GGUF BF16

Влезает самая точная из готовых сжатых версий.

  • GGUF BF16веса 7.8 GB · готовые файлы9.1 GB
  • GGUF Q8_0рекомендуемвеса 4.2 GB · готовые файлы5.1 GB
  • GGUF Q4_K_Mвеса 2.5 GB · готовые файлы3.3 GB

Совет: берите 8-bit.GGUF Q8_0 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: GGUF Q8_0 — от RTX 2060 · GGUF BF16 — от RTX 3080

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # inclusionAI/SingVL_S1_4B_GGUF
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download inclusionAI/SingVL_S1_4B_GGUF --local-dir ~/models/SingVL_S1_4B_GGUF
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к SingVL_S1_4B_GGUF
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии SingVL_S1_4B_GGUF — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

inclusionAI/SingVL_S1_4B_GGUF
Автор
inclusionAI
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

NanoDet

NanoDet