SingVL_S1_4B مقابل Moondream 3: إحداثيات أم احتمالات

كلا هذين النموذجين يَعِدان بالبنية بدلًا من النثر، وهنا ينتهي التشابه. Moondream 3 يجيب بإحداثيات: اطلب منه العثور على الأشخاص في صورة فيعيد صناديق مع تسميات، واسأله أين المقبض فيعيد نقاطًا، واطلب منه كتابة تعليق فيعيد جملة. SingVL_S1_4B يجيب باحتمالات: أعطه خيارات فيعيد رقمًا لكل خيار، وأعطه عبارة فيعيد احتمال أن تكون العبارة صحيحة. أحدهما يخبرك أين يوجد شيء ما. والآخر يخبرك بمدى ثقته. الاختيار بينهما سؤال عن أي هذين الجوابين ستحتاجه خط أنابيبك دائمًا، ونادرًا ما يحل أحدهما محل الآخر.

شكلا "المخرجات المنظمة"

Moondream 3 هو نموذج رؤية من نوع خليط الخبراء — بإجمالي 9 مليارات معامل، منها 2 مليار نشط — يصفه المورّد، Moondream، بأنه مبني للاستدلال البصري والكشف بتكلفة ملائمة للنشر. أربع مهارات مدمجة أصلاً بدلاً من كونها مستحثة بالتلقين: query للإجابة عن الأسئلة البصرية، وdetect لصناديق المفردات المفتوحة، وpoint للنقاط المركزية، وcaption للوصف. جميعها تعيد مخرجات منظمة بدلاً من نص حواري، والأوزان مجانية التنزيل والتشغيل محلياً عبر محرك الاستدلال الخاص بالمورّد، Photon، على وحدات معالجة الرسوميات NVIDIA بدءاً من Ampere فصاعداً أو على شرائح Apple silicon. ظهر النموذج كنسخة معاينة في سبتمبر 2025، ثم استُبدل بـ Moondream 3.1 في يوليو 2026، وهو الجيل الحالي من المعمارية نفسها.

نموذج SingVL_S1_4B هو نموذج قرار، رفعه inclusionAI في 11 نوفمبر 2026 دون أي إعلان. يستقبل حالةً — نصًا أو JSON أو ما يصل إلى أربع صور — ومعجمًا من الأسئلة المسمّاة، يعلن كلٌّ منها نوعه وإجاباته المرشّحة. يُرجع choice احتمالًا لكل خيار، ويُرجع noul احتمال صحّة قضية من نوع نعم/لا، ويُرجع score احتمالًا لكل مستوى على امتداد مستويات مرتّبة يتراوح عددها بين اثنين وعشرة، إضافةً إلى مستوى متوقّع. تمريرة أمامية واحدة لكل طلب، دون توليد رموز، ودون أي مخرجات حرّة الشكل من أي نوع.

بشكل ملموس: أعطِ Moondream 3 صورة مستودع وكلمة "pallet"، وسيعطيك صناديق. أعطِ SingVL_S1_4B الصورة نفسها مع السؤال "هل هذا الإطار آمن للإرسال؟" والمرشحان "نعم" و"لا"، وسيعطيك 0.91 و0.09. كلاهما مُهيكل. لا يستطيع أيٌّ منهما إنتاج مخرجات الآخر.

ما الغرض الفعلي من نموذج 9B

مواد الإصدار الخاصة بـ Moondream صريحة بشكل غير معتاد بشأن حدود المعايير القياسية، ثم تنشر مع ذلك مجموعة كثيفة منها. في الكشف عند [email protected]، الأرقام المهمة هي COCO عند 81.46، وODinW-13 عند 93.94، وDense200 عند 74.61، وSKU-110K عند 52.77 — والأخيران مجموعتا مشاهد مزدحمة ينهار فيهما عادةً نموذج رؤية عام. ويبلغ كشف الإشارة 87.1 على RefCOCO-M. وفي مقابل ذلك، فإن LVIS عند 67.4 وHumanRef عند 70.39 هما الصفان اللذان يخسر فيهما أمام منافس، وهما صفان يطبعهما البائع بدلاً من إخفائهما.

هذا الملف — قوي في الكشف الكثيف والمفتوح المفردات، وأضعف في الإحالة الدقيقة حيث يتفوق المتخصص — هو ما يوفره نموذج MoE النشط بمعاملات 2B. النموذج سريع لأن معظم معاملاته لا تُستخدم لكل رمز، وهو دقيق في العد والتحديد الموضعي لأن هاتين المهارتين دُرّبتا كمهارتين أساسيتين بدلاً من أن تنبثقا من توليد التعليقات الوصفية.

الشكل التجاري جدير بالملاحظة لأنه نقيض الإصدار البحثي. فالأوزان مجانية بموجب ترخيص Moondream Model License، وتشغيلها محليًا لا يتطلب مفتاح API، وتُسعّر الخدمة المستضافة لكل رمز: 0.30 دولار لكل مليون إدخال و1.00 دولار لكل مليون إخراج في الزمن الحقيقي، وتنخفض إلى النصف لتصبح 0.15 و0.50 دولار للدفعات. هناك طبقة مجانية، وساحة تجريب، ومسار محلي موثّق، ونص ترخيص يمكنك قراءته. لا شيء غامض في الإصدار.

ما الغرض الفعلي من نموذج 4.5B

تنشر بطاقة SingVL_S1_4B جدول "Public Decision Index 0.3": 69.76 في لوحة النص و73.94 في الرؤية، مقابل TypeSafe Jev 1.14 عند 60.70 في النص، وStartLux-Decision v1.1 4B عند 67.8 و67.90، وPerplexity Decider Flash v1.2 عند 60.1 و72.5. وتُظهر الصفوف الخاصة بكل مجموعة بيانات مصدر الإجمالي — InfographicVQA 96.31، وWinoground 93.12، واستخراج المعلومات الرئيسية 95.82 في الأعلى؛ وMMMU-Pro vision 50.17، وR-Bench-M 49.77، ومراجعة الميمات الكارهة 71.64 في الأسفل.

تلك أرقام البائع نفسه على لوحة صدارة ساهم مؤلفوها أنفسهم في إضفاء الطابع الرسمي عليها، وأُنتجت عبر تقييم خيارات مقدمة بدلاً من توليد إجابات، ولم يُعِد إنتاجها أحد. كان عمر المستودع يومين عندما كُتب هذا، وله صفر تنزيلات، ولا يأتي معه ملف ترخيص، ولا توجد أي ورقة بحثية. تُظهر مجموعة إعادة الإنتاج العامة الخاصة بـ Decision Index عدم وجود إرسال من هذا النموذج.

إذن، الادعاء القابل للاستخدام ضيق وبنيوي لا رقمي: تمريرة أمامية واحدة تعيد احتمالًا معايرًا لكل مرشح هي بدائية مختلفة عن نموذج يعيد إحداثيات أو نصًا. إنها البدائية التي تريدها عندما يكون القرار اللاحق عتبة — عندما يكون شخص ما قد قرر بالفعل أنك تتصرف فوق 0.8 وتصعّد دون 0.3. ليست البدائية التي تريدها عندما تحتاج الخطوة اللاحقة إلى معرفة أين.

التداخل أصغر مما يوحي به اسم مجموعة بيانات مشتركة.

كلتا البطاقتين تتطرقان إلى الإرساء البصري، وسيكون من السهل مقارنة الأرقام وإعلان فائز. لا تفعل ذلك. ثلاثة اختلافات تجعل ذلك بلا معنى.

• شكل المهمة — تنبع درجات الكشف في Moondream من إصدار صناديق ومطابقتها مع البيانات المرجعية عند عتبة IoU. أما درجات الرؤية في SingVL_S1_4B فتنبع من الاختيار من بين خيارات كتبها شخص آخر. النموذج الذي يرتّب المرشحين ترتيبًا صحيحًا ليس بالضرورة نموذجًا قادرًا على التوطين.

• إطار التقييم — يُبلّغ Moondream عن [email protected] على مجموعات كشف مُسمّاة ضمن إعدادات التقييم الخاصة به. ويُبلّغ SingVL_S1_4B عن الدقة داخل حزمة Decision Index المصححة وفق الصدفة والمعدلة وفق التغطية. الكلمة نفسها، قياس مختلف.

• الجهة المُعِدّة — كلتا المجموعتين مُبلَّغ بهما من المورّد. وقد خضعت مجموعة Moondream لأكثر من عام من التدقيق من أطراف ثالثة ومن نسخ مجتمعية؛ بينما لم تخضع مجموعة SingVL_S1_4B لأي من ذلك. وقد جرى الجدال علنًا حول أحد هذين الرقمين.

حيث يمكن أن تتم المقارنة الحقيقية بين الاثنين هو مهمة يستطيع كلاهما التعبير عنها: هل تحتوي هذه الصورة على انتهاك، وفي أي فئة. سيجيب Moondream بكشف أو باستجابة استعلام؛ بينما يجيب SingVL_S1_4B بتوزيع اختيارات. تلك تجربة حقيقية ينبغي أن يجريها أحدهم، ولم تُجرَ بعد.

مثال عملي، لأن الـAPI يشرح المنتج

أوضح طريقة لرؤية الفرق هي كتابة الطلب الذي سيتلقاه كل نموذج للمهمة نفسها — أي الفرز الأولي لصورة تسليم قبل إحالتها إلى مُسوِّي مطالبات.

مع Moondream 3، يكون الاستدعاء هو detect(image, "damaged parcel")، وتكون الاستجابة قائمة من الكائنات مع صناديق إحاطة ودرجة ثقة، أو قائمة فارغة إذا لم يتطابق شيء. وتتعرف على ما إذا كان قد عُثر على تلف وأين. ثم يمنحك caption(image) جملة تصف المشهد. استدعاءان، وبنيتان، وكلاهما يتعلق بالمحتوى.

مع SingVL_S1_4B، يحمل الاستدعاء الأسئلة في الطلب. يسأل سؤال اختيار واحد عمّا إذا كان الطرد سليمًا أو تالفًا أو مفقودًا، مع ثلاثة مرشحين. يسأل سؤال noul عمّا إذا كان الملصق مقروءًا. يقيّم سؤال تقييم جودة الصورة عبر أربعة مستويات مرتبة. تحمل الاستجابة احتمالًا لكل مرشح لكل سؤال ومستوى متوقع للتقييم. استدعاء واحد، ثلاث إجابات، وكلها تتعلق بالثقة.

يمنح مسار Moondream نظامَ المطالبات شيئًا يعرضه. ويمنحه مسار SingVL شيئًا يتفرّع بناءً عليه. الفريق الذي يبني الأول سيجد الثاني عديم الفائدة؛ والفريق الذي يبني الثاني سيجد أن الأول يتطلب محلّلًا لا يريد كتابته. هذا هو القرار كله، وقد حُسم قبل فتح أي اختبار أداء تابع لأيٍّ من المورّدين.

كما أن تشغيلها ليس قابلًا للمقارنة أيضًا

يعمل Moondream 3.1 على وحدة GPU لمحطة عمل أو حاسوب محمول من Apple عبر Photon، مع تنزيل الأوزان من Hub عند أول استخدام، ولا حاجة إلى مفتاح للنموذج الأساسي. وتتوفر نقطة نهاية مستضافة بأسعار منشورة لكل رمز، وطبقة مجانية، ودليل بدء سريع موثّق، كما ينشر المورّد دليل استدلال محلي يغطي العتاد المدعوم والبث والضبط الدقيق والخدمة عبر Triton. كل مسار موثّق وكل سعر علني.

يعمل SingVL_S1_4B على وحدة GPU توفرها أنت، انطلاقًا من تنزيل BF16 بحجم 9.1 GB، عبر بيئة Python 3.12 وخادم FastAPI مرتبط بالمنفذ 8173 يستجيب عند POST /v1/systemone. التعليمات كاملة وأمثلة curl تعمل، وهو ما يتجاوز ما تنجح معظم الإصدارات الهادئة في تقديمه. أما ما لا وجود له فهو أي خيار مستضاف، أو أي بنية مُكمّمة، أو أي تكامل مع أطر العمل، أو أي ترخيص يسمح لك بإعادة توزيع ما قمت بتنزيله.

ذلك الغياب الأخير له بُعد تجاري. ترخيص Moondream ترخيص مخصص — وليس مفتوح المصدر بمعنى OSI — والمورّد صريح في أن استضافة الأوزان كخدمة سحابية تتطلب ترخيصه، ولهذا توجد الطبقة المستضافة وهي مسعّرة. لا توجد لـ SingVL_S1_4B أي شروط على الإطلاق، وهذا لا يعني أنه متسامح: ففي غياب أي منح، لا يملك أي طرف خارج inclusionAI إذنًا لاستخدامه تجاريًا، وستتوقف المراجعة القانونية عند هذا الحد.

إلى أين يستقر القرار

إذا كانت المهمة هي العثور على الأشياء — عدّ المخزون، وتحديد موقع مكوّن، وقراءة مخطط على هيئة صناديق، والإشارة إلى مقبض — فإن Moondream 3 هو الوحيد من بين الاثنين القادر على ذلك، وأرقامه في مشاهد الحشود هي السبب في تفضيله على نموذج رؤية عام لهذا العمل. لديه أيضًا قائمة أسعار وترخيص ومسار محلي وسنة من استخدام الآخرين له.

إذا كانت المهمة هي اتخاذ القرار — بوابة، أو فرز، أو عتبة على تصنيف ثابت يكون فيه الرقم أنفع من الجملة — فإن تصميم SingVL_S1_4B هو الأنسب، ومخرجاته تُلغي فئة كاملة من التحليل اللاحق. لكن «الأنسب» حكمٌ على البنية في اليوم الثاني من إصدار بلا ترخيص، وينبغي قراءته كسبب للمراقبة لا كسبب للبناء.

يمكن لفريق يرغب في اختبار نمط القرار الآن، بدلًا من انتظار inclusionAI لإتمام الأوراق الرسمية، أن يستدعيه اليوم: يوفّر OrcaRouter TypeSafe Jev 1.14 — typesafe/jev-1.14، بسعر 0.042 دولار لكل مليون رمز إدخال — على المفتاح نفسه المستخدم مع أكثر من 200 من النماذج الأخرى، بسعر قائمة المزوّد دون هامش ربح 0%، لذا يصل أي تغيير في السعر من أي بائع في اليوم نفسه. Sing VL S1 غير متاح على OrcaRouter وليس له موطن استضافة في أي مكان، لذا هذا ليس ادعاءً بشأن الإتاحة؛ بل هو الطريقة الأرخص لمعرفة ما إذا كانت مخرجات الاحتمالات تتفوق على المربعات في بياناتك الخاصة. إذا كان الأمر كذلك، فأعِد النظر في نقطة التحقق عندما تتوفر لها شروط. وإذا لم يكن كذلك، فقد وفّرت وحدة معالجة رسومات ومراجعة قانونية.

سيظل النموذجان يُذكران معًا في السياق نفسه لأن كليهما يتجنّب واجهة الدردشة. لكن ذلك تشابه سطحي. ففي العمق، أحدهما محدِّد موقع والآخر مُقيِّم، وخط المعالجة الذي تبنيه يعرف بالفعل أيّهما يحتاج.