Moondream 3.1 9B A2B مقابل North Micro Vision Instruct: أي مورّد يتيح لك فعليًا التحقق من الرقم؟

نموذجان مفتوحان للرؤية، يفصل بينهما أربعة أشهر، ولا يكاد يكون بينهما أي قاسم مشترك في الطريقة التي يطلبان بها أن يُحكم عليهما.M​oondream 3.1 9B A2B أُطلق في 7 يوليو 2026 مع جدول معايير، وتذييل منهجي يذكر بطاقة H100 SXM5 واحدة وحجم دفعة قدره 16، وحجة تتخلل المنشور نفسه مفادها أن المعايير لا تقيس ما يحتاجه عملاؤه فعليًا.North Micro Vision Instruct وصل في 12 أغسطس 2026 من C​ohere Labs بعدد 2.4 مليار معامل بموجب Apache 2.0، ويكرّس منشور إطلاقه كامل طوله للمنهج التدريبي وإعداد التقييم — الأداة المستخدمة، ومعاملات أخذ العينات الدقيقة التي أُنتجت بها الأرقام.

هذا اختلاف حقيقي في النوع، وهو أكثر فائدة للمشتري من عدد معاملات أي من النموذجين. أحد البائعين يخبرك كيف تعيد إنتاج جدوله. أما الآخر فيخبرك ألا تثق بالجداول ثم يطبع جدولاً. لم يخضع أي منهما لتقييم مستقل، بحسب ما تمكّنا من العثور عليه، لذا فالسؤال الذي يحدد حقًا أي مجموعة أرقام تعتمد عليها هو مقدار ما قدمه لك أي من البائعين لتتحقق منه.

ما هو كل واحد

Moondream 3.1 9B A2B هو نموذج لغوي بصري متناثر بخليط خبراء: 9B إجمالي المعلمات، 2B نشطة لكل توكن، 64 خبيرًا مع 8 نشطة، ومُرمِّز رؤية SigLIP مع دمج قنوات متعدد الاقتصاص، وسياق بطول 32K توكن ومُرمِّز SuperBPE. مهاراته الأربع — الاستعلام، الكشف، التأشير والوصف — تُدرَّب داخل النموذج بدلًا من تلقينها، وتعيد مسارات الكشف والتأشير هندسة مُهيكلة بدلًا من الوصف. ويعمل على Photon، محرك الاستدلال الخاص بالمورّد، ويستهدف وحدات معالجة الرسومات NVIDIA من Ampere فصاعدًا و Apple Silicon.

يُعدّ North Micro Vision Instruct نموذجًا كثيفًا بحجم 2.4 مليار معامل، مبنيًّا من ثلاثة أجزاء: مُشفِّر رؤية بدقّة أصلية بحجم 400 مليون معامل، جرى تدريبه مسبقًا بشكل إضافي انطلاقًا من نقطة تفتيش SigLIP 2 SO400M من Google؛ ومُسقِط (projector) يتبع نمط DeepStack في حقن تضمينات الرقع (patch embeddings) من عدة طبقات من المُشفِّر في الطبقات المبكرة من نموذج اللغة؛ ونموذج لغوي بحجم 2 مليار معامل يُدعى North Micro LLM يتبع معمارية Command A+ من Cohere. يستقبل نصًّا وصورًا متشابكة — واحدة أو عدة — ويُخرج نصًّا. حجم مفردات المُرمِّز (tokenizer) هو 262,144، واللغات المذكورة تبلغ إحدى عشرة لغة بالإضافة إلى «والمزيد».

الفرق في نوع المخرجات يستحق التصريح به بوضوح لأنه يشكّل ما يلي: M​oondream هو نموذج إدراك يجيب بصناديق وإحداثيات، أما North Micro Vision فهو نموذج فهم يجيب باللغة. كل ما ينشره أي من المورّدين هو قياس لواحدة من هاتين المهمتين، وهما ليستا المهمة نفسها.

الرقم 8K الذي ليس نافذة سياق النموذج

ابدأ بالفخ، لأنه يقع في منتصف بطاقة نموذج North Micro Vision، وهو من الأمور التي ينتهي بها الأمر في قرار معماري عن طريق الخطأ.

• North Micro Vision Instruct — نافذة سياق العمود الفقري اللغوي 128,000 رمز؛ نطاق التشغيل متعدد الوسائط المُتحقَّق منه يصل إلى 8,000 رمز. وتنص البطاقة صراحةً على أن السياقات متعددة الوسائط الأطول قد تعتمد على الاستقراء الخارجي ولم تخضع لقياس أداء مرجعي.

• Moondream 3.1 9B A2B — 32,000 رمز، رقم واحد، ولا يوجد استثناء منشور للوسائط.

إذن الرقم الأبرز يمنح North Micro Vision أفضلية بمعامل أربعة، أما الرقم الذي سينطبق فعلاً على حمل معالجة الصور لديك فيمنح M​oondream أفضلية بمعامل أربعة. إذا كنت تُقدّر عدد صفحات مستند ممسوح ضوئيًا التي تتسع في استدعاء واحد، فإن 128K هو الرقم الخاطئ و8K هو الرقم الصحيح، و8K من رموز الصور والنصوص المتداخلة ليست عددًا كبيرًا من الصفحات بمجرد أن يبدأ مُرمّز بالدقة الأصلية في إصدار الرموز بما يتناسب مع مساحة البكسل. يستحق المورّد الثناء على نشره هذا التحذير — لن تفعل معظم بطاقات المواصفات ذلك — لكن التحذير مطمور أسفل جدول المواصفات، والجدول هو ما يُنسخ.

كيف يقدّم المورّدان تقاريرهما، جنبًا إلى جنب

هذا هو الجزء من المقارنة الذي لا علاقة له بالنماذج، بل يتعلق بالكامل بأي منها يمكنك تدقيقه.

تذكر منشور M​oondream 3.1 خطوط الأساس الخاصة به (Qwen3.5 9B، وSAM 3، وLocateAnything، وGemma 4 12B)، ومقياسه (F1@0.5 للكشف)، وعتاده (واحد H100 SXM5)، وحجم الدفعة (16)، وحقيقة أن كل نموذج كان يُشغَّل بمحركه الخاص — vLLM لـ LocateAnything وQwen3.5 وGemma 4؛ وPhoton لـ M​oondream؛ وHugging Face Transformers لـ SAM 3. ويقول أيضًا إن أعلى إعدادات الدقة والاستدلال اختيرت لكل نموذج، وإن LocateAnything عمل في وضع بطيء لتحقيق أقصى قدر من الدقة. والنتائج التي ينشرها هي 81.46 F1@0.5 على COCO val، و93.94 على ODinW-13، و67.4 على LVIS، و74.61 على Dense200، و52.77 على SKU-110K، و74.5 على CrowdHuman، و87.1 على RefCOCO-M، و70.39 على HumanRef، و59.63 على DOTA-v2، و90.35 على CountBench، و74.86 على TallyQA، و88.68 على PixMo-Count، و86.01 على ChartQA، و88.6 على DocVQA، مع ادعاءات ببلوغ أحدث ما توصلت إليه التقنية في خمس من عائلات المعايير.

ما ليس موجودًا في ذلك التذييل هو الشيء الذي يجعل النتيجة قابلة لإعادة الإنتاج: المطالبات النصية. الكشف مهمة ذات مفردات مفتوحة، والعبارة التي تطلب بها شيئًا تغيّر ما يعود إليك. من يعيد التشغيل يملك المقياس والعتاد وحجم الدفعة، ومع ذلك لا يستطيع إعادة إنتاج الرقم دون معرفة النص الذي أنتج كل صندوق.

يتبع منشور Cohere Labs النهج الآخر. يسمّي أداة التقييم (VLMEvalKit)، ويقول إن النموذج قُيّم باستخدام تطبيق vLLM داخلي، ويسرد تكوين المعايير لكل مجموعة قدرات — VQA العام هو متوسط على MMBench وMMStar وRealWorldQA وGQA؛ وتغطي مجموعة المخططات والمستندات وOCR كلاً من ChartQA وDocVQA وInfoVQA وOCRBench وOCRBench v2 وAI2D؛ أما grounding والعدّ فهما متوسط RefCOCO وCountBench — وينشر معاملات أخذ العينات التي أُنتجت الأرقام وفقًا لها: temperature 0.7، top_p 0.8، top_k 20، min_p 0.0، presence_penalty 1.5، repetition_penalty 1.0. ويشير أيضًا إلى أن دعم vLLM العام «قريبًا»، وهو الإفصاح الصادق الأكثر أهمية لأي شخص يخطط لإعادة الإنتاج: فقد اختُبر النموذج على نسخة متفرعة (fork).

ما لا ينشره ذلك المنشور هو جدول لكل معيار على حدة. نتائجه هي متوسطات لمجموعات القدرات وادعاء نسبي — في وضع Instruct، يحقق 35B-A3B نتيجة أعلى في زمن استدلال أقل مقارنةً بـ Qwen3.6 35B-A3B، ويتفوق المتغير 1B على Qwen3.5 0.8B في كل من النتيجة والكفاءة — وهو ما يكون أقل قابلية للاقتباس الفوري وأكثر متانة أمام الانتقاء الانتقائي. لا يسمح أي من المستندين بإعادة حساب رقم المورّد الآخر. كلاهما يتيح لك رؤية مقدار ما يخفيانه.

أين يظهر الفرق في البنية المعمارية عمليًا

الدقة الأصلية هي القرار التصميمي الوحيد في North Micro Vision الذي يغيّر العمل اليومي، ويستحق فهمه قبل جداول المقارنة المرجعية. تعيد معظم مرمّزات الرؤية تحجيم أي شيء تعطيها إياه إلى مربع ثابت، ولهذا تصل لقطة شاشة عريضة لجدول بيانات إلى النموذج اللغوي وأعمدتها مضغوطة. مرمّز North Micro Vision مدرّب على أخذ الصورة بدقتها الأصلية ونسبة أبعادها الخاصة، مع الحفاظ على التفاصيل الدقيقة للمستندات والجداول والمخططات والنماذج. انتقل المنهج المنشور من مرحلة ثابتة بدقة 384×384 على 10 ملايين مثال إلى مرحلة بدقة 1024×1024 على 13 مليونًا وما بعدها.

مُرمِّز Moondream يعتمد بدلاً من ذلك على multi-crop: حيث تُعالَج الصورة كمجموعة من القصاصات التي تُدمج سماتها، وهذا أيضًا وسيلة للحفاظ على التفاصيل في المدخلات الكبيرة ومرتبط بكيفية إنتاج رأس الكشف الخاص به للمربعات. كلاهما إجابتان مشروعتان للمشكلة نفسها، ولا ينشر أي من البائعين مقارنة مباشرة عند الدقة المتطابقة، لذا فإن الشيء المفيد الذي يمكن استخلاصه من مناقشة البنية أضيق من أن يكون حكمًا نهائيًا: إذا كان عملك يتعلق بمستندات كثيفة ولقطات شاشة واسعة لواجهات المستخدم، فإن الدقة الأصلية هي الخاصية التي يجب اختبارها، والاختبار هو لقطة شاشة خاصة بك، وليس صفًا في مقارنة مرجعية.

الفرق البنيوي الآخر هو الصور المتعددة والفيديو. يتعامل North Micro Vision Instruct مع إدخال صور متعددة متشابكة، ويُدرج معايير الصور المتعددة ضمن المجموعات التي قيّمها. أما M​oondream 3.1 9B A2B فهو محصور بصورة واحدة لكل استدعاء — لا مسار فيديو، ولا مسار صور متعددة. وهذا متسق مع تصميمه: فكتابات M​oondream الهندسية الخاصة عن الفيديو المباشر ترى أن المشكلة في البنية التحتية للاستدلال لا في قدرة النموذج، وجواب الشركة لأحمال العمل الزمنية هو محرك يواكب البث بدلًا من نقطة تحقق تستقبل واحدًا. وما إذا كان ذلك جوابًا أفضل من نموذج يلتقط 128 إطارًا دفعة واحدة هو سؤال مفتوح بصدق، والمورّدان لا يقيسان الشيء نفسه.

النشر والترخيص، بسرعة

• الحجم — 9 مليارات إجمالي / 2 مليار نشط مقابل 2.4 مليار كثيف. ومن حيث التخزين، الفجوة أوسع مما توحي به نسبة المعلمات النشطة، لأن بصمة النموذج المتناثر تتبع إجمالي معلماته.

• مقياس الضبط الدقيق — نموذج كثيف بحجم 2.4 مليار معلمة صغير بما يكفي لضبطه الدقيق على جهاز واحد؛ أما نموذج متناثر بحجم 9 مليارات معلمة فيحتاج إلى إعداد تدريب حقيقي لأي شيء يتجاوز LoRA، ولهذا السبب مرّ مسار الضبط الخاص بـ Moondream عبر منتج مستضاف.

• بيئات التشغيل — يطلب North Micro Vision Instruct مكتبة Transformers 5.16.0 مع accelerate وPillow؛ توجد تكميمات مجتمعية في MLX وLiteRT وتنسيقات مجاورة لـ ONNX. يعمل Moondream 3.1 9B A2B على Photon، مع ظهور أول حزمة GGUF من طرف ثالث لنقطة التحقق في 15 أكتوبر 2026.

• الترخيص — Apache 2.0 لـ North Micro Vision Instruct، دون حد أدنى ودون أي قيد على استضافته للآخرين. ترخيص M​oondream Model License 1.0 الخاص بـ M​oondream 3.1 9B A2B: يُسمح بالاستخدام التجاري، والاستضافة الذاتية، والضبط الدقيق، والتكميم، وإعادة التوزيع جميعها، مع حظر واحد — لا يجوز لك تقديم الاستدلال أو الضبط الدقيق لـ M​oondream للأغراض العامة كخدمة مستضافة.

• تقلّب — ظل North Micro Vision Instruct ثابتًا منذ الإصدار؛ والإضافات الحديثة الملحوظة هي تكميمات من أطراف ثالثة. تغيّرت شروط Moondream في ظل ذلك خلال الأسبوعين الماضيين: استحوذت Prime Intellect على الشركة في 13 أكتوبر 2026، وتُغلق Moondream Cloud، بما في ذلك منتج الضبط الدقيق Lens، في 13 نوفمبر 2026. الأوزان وPhoton غير متأثرين؛ أما المسار المستضاف فليس كذلك.

النموذج الثاني في خط المعالجة، ومن يوجّهه

لا يتم تقديم أي من نقطتي التحقق هاتين على OrcaRouter، لذا اقرأ هذا كملاحظة تكامل. كلاهما مكوّن أحادي المرحلة: أحدهما يعيد مربعات، والآخر يعيد نصًا، ويحتاج نظام الإنتاج إلى نموذج خلفهما لتحديد معنى الملاحظة وتدوينها. تلك المرحلة هي مرحلة نصية، وعادة ما تكلف أكثر لكل استدعاء من مرحلة الرؤية، وهي المرحلة التي سترغب في تبديلها أولاً عند ظهور نموذج استدلال أرخص أو أفضل. إن إجراء هذا التبديل من خلال نقطة نهاية واحدة متوافقة مع OpenAI عبر أكثر من 200 نموذج — مع تمرير أسعار قائمة المزودين دون أي هامش ربح (0%) وتحويل تلقائي عند الفشل عبر المزودين عندما يتعطل أحد المصادر مؤقتًا — يعني تغيير معرّف النموذج بدلاً من إعادة توصيل الكاميرا. حيث لا يكفي رأي واحد، يشغّل دمج النماذج مجموعة من النماذج على نفس المدخل، ولغة التوجيه DSL تدمج عدة نماذج في استدعاء واحد.

هناك موضع واحد يمكننا أن نكون فيه أكثر تحديدًا، ويستحق أن نكون صادقين بشأن الاتجاه الذي يميل إليه. إن North Micro Vision Instruct مرخّص بموجب Apache 2.0 وصغير بما يكفي ليعمل على عتاد تملكه، ما يعني أن الحجة المعتادة لتوجيه نموذج رؤية عبر نقطة نهاية مستضافة — وهي أنك لا تستطيع استضافته ذاتيًا — لا تنطبق. أما الحجة المتبقية فهي الحجة العادية: نموذج ثانٍ في الحلقة، على المفتاح نفسه، مع فاتورة واحدة ومجموعة واحدة من بيانات الاعتماد.

أيّهما تختار، وما الذي قد يغيّر الإجابة؟

اختر North Micro Vision Instruct إذا كنت تقرأ مستندات أو جداول أو مخططات أو شاشات، أو إذا كنت تحتاج إلى عدة صور في استدعاء واحد، أو إذا كانت Apache 2.0 مهمة لأنك تنوي استضافة النموذج لأشخاص آخرين، أو إذا كنت تريد نقطة حفظ بحجم 2.4B يمكنك ضبطها ضبطًا دقيقًا على بياناتك الخاصة. تشير بطاقة نموذج Cohere إلى الضبط الدقيق باعتباره الاستخدام المقصود، ولا يضع الترخيص أي عائق في الطريق.

اختر M​oondream 3.1 9B A2B إذا كان مخرَجك هندسيًا — صناديق، وإحداثيات، وأعداد مع مثيلات مرتبطة بها — وكان نشرك على جهاز CUDA عليه Photon. النموذج متخصص، وادعاء سرعته موجّه تحديدًا إلى عبء العمل هذا.

ما قد يغيّر الإجابة لكليهما هو تقييم مستقل، وهذا هو الأمر الذي ينبغي مواصلة مراقبته. لم تُعَد إنتاج أرقام أيٍّ من المورّدين خارج نطاق المورّد، وقد نشر كلٌّ منهما في ظروف تجعل إعادة الإنتاج أصعب مما ينبغي: أحدهما يحجب مطالباته، والآخر شُغِّل على تنفيذ خدمة داخلي لإطار لا يزال دعمه العام معلّقًا. وعندما يشغّل طرف ثالث أيًّا من نقطتي التحقق على المجموعة نفسها من المستندات، فأيّ نموذج يبقى جدوله سليمًا بعد ذلك التماس هو الجدير بالتصديق — وحتى ذلك الحين، يكون المورّد الذي أخبرك بكيفية قياسه هو الأسهل في النقاش معه.

نتيجة كهذه تذكّر أيضًا بأن أخطاء النماذج موثّقة بالفعل: فالحوادث المتعلقة بالذكاء الاصطناعي وإخفاقات الوكلاء الكامنة وراء نماذج هذه الفئة تُجمع في the OrcaRouter AI Incident Archive، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.