Der gehostete Endpoint von Moondream 3 Preview wird am 13. November abgeschaltet

Moondream 3 Preview wurde am 18. September 2025 veröffentlicht, und der Endpunkt, der es bereitstellt, antwortet ab dem 13. November 2026 nicht mehr. Das sind die beiden Daten, die in dieser Geschichte zählen, und nur der zweite ist dringend. Das Modell selbst wird nicht zurückgezogen – die Gewichte bleiben auf Hugging Face und die Lizenz ändert sich nicht –, aber der gehostete Pfad, den die meisten Teams tatsächlich aufrufen und den sich Moondream 3 Preview und sein Nachfolger Moondream 3.1 teilen, wird abgeschaltet, und die Mitteilung sagte es in einer einzigen Zeile: Am 13. November 2026, 30 Tage ab heute, wird die Moondream Cloud abgeschaltet, wobei nicht verbrauchte gekaufte Credits erstattet werden.

Dieser Hinweis erschien zusammen mit der Begründung dafür. Moondream 3 Preview und sein Nachfolger Moondream 3.1 sind jetzt Teil von Prime Intellect, das am 13. Oktober 2026 bekannt gab, Moondream übernommen zu haben, wobei die Gründer Vik Korrapati und Jay Allen dazustoßen, um die Inferenz zu leiten und zu skalieren. Moondreams eigener Beitrag ist auf den 14. Oktober datiert. Dies ist kein Launch, und es sollte auch nicht als einer beschrieben werden. Es ist ein Eigentümerwechsel mit einer harten Migrationsfrist, und wenn irgendwo in Ihrem Stack ein Produktionsaufruf an api.moondream.ai erfolgt, haben Sie ab dem Datum dieses Beitrags etwa vier Wochen Zeit, um zu entscheiden, was ihn ersetzt.

Was Prime Intellect tatsächlich gekauft hat

Die Ankündigung ist ungewöhnlich explizit in Bezug auf die zwei Dinge, die den Besitzer gewechselt haben, und keines von beiden ist ein Modell-Checkpoint. Das erste ist das Team: Korrapati und Allen stoßen dazu, um Inferenz zu betreiben und multimodale Arbeit zu beschleunigen, einschließlich Vision und Computer Use. Das zweite ist Photon, die Inferenz-Engine von Moondream, die jedes Modell mithilfe benutzerdefinierter Kernel und eines dahinterstehenden Megakernel-Compilers in ein einziges GPU-Programm kompiliert.

Liest man die Darstellung, versteht man, warum. Der Beitrag von Prime beginnt mit Serving, nicht mit Architektur – seine Begründung für den Deal lautet, dass „beim Serving entschieden wird, wie nützlich ein Modell ist“. Die Zahlen, die er anführt, sind Durchsatzwerte: Moondream 3.1 bei 34 Anfragen pro Sekunde, beschrieben als rund 24-mal schneller als das zweitgenaueste offene Modell; mehr als 60 Moondream-Inferenzen pro Sekunde auf einer einzelnen H100; Antworten im zweistelligen Millisekundenbereich. Das sind die Zahlen von Prime, und Prime ist jetzt die Seite, die die Inferenz verkauft; behandeln Sie sie also als Anbieterangaben. Was keine Anbieterangabe ist, ist die Richtung des Deals: Ein Unternehmen, dessen Produkt ein Vision-Modell war, kaufte eine Inferenz-Engine und machte deren Autoren für die Inferenz verantwortlich.

Für alle, die eine M​oondream-Integration betreiben, bedeutet das konkret: Die offenen Gewichte bleiben offen und werden sich, mit den Worten von M​oondream, „weiter verbessern, jetzt in viel schnellerem Tempo“. Was wegfällt, ist die Komfortschicht – die gehostete API und Lens, das Fine-Tuning-Produkt –, also genau die Schicht, auf die viele kleine Teams aufgesetzt haben, weil sie keine GPUs betreiben wollten.

Was Moondream 3 Preview tatsächlich ist

Es lohnt sich, noch einmal zu betonen: Ein Modell, das im September 2025 veröffentlicht wurde und nun im Rahmen einer Übernahme abgelöst wird, ist ein Modell, das viele Teams erst durch die Abschaltungsmitteilung kennenlernen. Es ist ein feinkörniges, sparse Mixture-of-Experts mit insgesamt 9B Parametern und 2B aktiven pro Token, initialisiert aus dem älteren dichten 2B-Modell M​oondream 2 durch Drop-Upcycling.

• Architektur — 24 Schichten, die ersten vier dicht und die übrigen MoE-Feed-Forward-Blöcke mit 64 Experten, von denen 8 pro Token aktiviert werden, GeGLU, versteckte Dimension 2048.

• Vision-Encoder – SigLIP-basiert, mit Multi-Crop-Kanalverkettung für token-effiziente hochauflösende Eingabe. Dieses Kachelungsdetail wird später wichtig.

• Kontext — 32K nutzbare Tokens, gegenüber etwa 2K in der vorherigen Generation, unter Verwendung eines benutzerdefinierten SuperBPE-Tokenizers. Der Vorschau-Beitrag räumt offen ein, dass das Post-Training das lange Fenster noch nicht vollständig ausschöpft und dass die vollen 32K hauptsächlich für Personen gedacht sind, die Fine-Tuning betreiben.

• Skills — query, caption, point und detect, alle nativ und alle geben strukturierte Ausgabe zurück. Erkennung und Verortung sind die beiden, auf die der Launch am stärksten setzte.

• Reasoning — hybrid. Abfrage läuft standardmäßig im Reasoning-Modus und kann mit deaktiviertem Reasoning für günstige, einfache Fragen aufgerufen werden. Moondreams Framing ist, dass dies visuelles Reasoning mit Grounding ist: Der Reasoning-Trace verweist auf spezifische Bereiche des Bildes.

• Lizenz — die Business Source License 1.1 mit einem Additional Use Grant, die kommerzielle und Produktionsnutzung, Fine-Tuning, Quantisierung und Weiterverbreitung erlaubt und den Verkauf eines gehosteten Dienstes verbietet, der allgemeine M​oondream-Fähigkeiten zugänglich macht.

Die letzte Zeile ist diejenige, die das Ökosystem still geprägt hat, und es lohnt sich, hier präzise zu sein, denn M​oondream 3.1 ist auf ein völlig anderes Instrument umgestiegen – die M​oondream Model License 1.0, gültig ab 7. Juli 2026. Die Regel ist inhaltlich dieselbe und klarer formuliert: Wenn M​oondream Bestandteil Ihres Produkts ist, ist das erlaubt, und wenn der Zugang zu M​oondream selbst das Produkt ist, benötigen Sie eine separate Lizenz. Selbst-Hosting, Edge-Deployment, von Kunden kontrollierte VPCs, das Ausführen auf gemieteten Cloud-GPUs, Fine-Tuning im Rahmen professioneller Dienstleistungen sowie domänenspezifische APIs, die keine Allzweck-Funktionalität offenlegen, sind alle ausdrücklich erlaubt. Vom Anbieter betriebene Allzweck-Inferenz, gehostetes Allzweck-Fine-Tuning und gemeinsam genutzte APIs, die ein feinabgestimmtes Derivat offenlegen, sind die drei, für die eine Vereinbarung erforderlich ist.

Deshalb hat die Abschaltungsmitteilung die Form, die sie hat. M​oondream konnte seinen gehosteten Endpoint nicht einfach an einen Dritten übergeben — genau darum geht es bei der Ausnahmeregelung der Lizenz —, also wird der Endpoint geschlossen und die Migration geht an Prime, dem er jetzt gehört.

Die zwei Zahlen, denen man misstrauen sollte

Die eigene Benchmark-Berichterstattung von Moondream verdient mehr kritische Prüfung, als ihr normalerweise zuteilwird, denn das Unternehmen ist in Bezug auf seine Methode transparenter als die meisten, und die Methode leistet eine Menge Arbeit.

Für die Preview stellte das Launch-Diagramm M​oondream 3 Preview gegen GPT-5, Gemini 2.5-Flash und C​laude 4 S​onnet. In den Spalten zur Erkennung referenzieller Ausdrücke ist die Lücke groß und nicht plausibel als Artefakt zu erklären: RefCOCO bei 91,1 für die Preview gegenüber 75,8 für Gemini 2.5-Flash, 57,2 für GPT-5 und 30,1 für C​laude 4 S​onnet. M​oondreams eigener Vorbehalt ist der wichtige Punkt — die Frontier-Modelle unterstützen Grounding nicht nativ, daher wurden sie über ein Template abgefragt, und einige Preview-Werte wurden anhand einer Zufallsstichprobe von 100 Fragen statt des vollständigen Benchmarks berechnet. Eine getemplatete Grounding-Abfrage gegen ein Modell ohne Grounding-Fähigkeit misst Prompt-Engineering ebenso sehr wie sie das Modell misst.

Für M​oondream 3.1 ist die Methode noch folgenreicher, und sie verdient es, unverblümt ausgesprochen zu werden: Die veröffentlichten Benchmark-Ergebnisse wurden erzeugt, indem das Modell mit Lens, M​oondreams Fine-Tuning-Produkt, auf dem eigenen Trainingssplit jedes Benchmarks feinabgestimmt wurde — aufgabenspezifische LoRAs, SFT und RL — und anschließend das, was diese LoRAs gelernt hatten, zurück in die Basisgewichte destilliert wurde, damit der herunterladbare Checkpoint ganz ohne Tuning gut abschneidet. Der 3.1-Beitrag sagt dies ganz offen und merkt sogar an, dass die destillierte Basis knapp hinter den einzelnen LoRAs landet. Das ist ein legitimer und interessanter Workflow, und es ist auch nicht dasselbe wie eine kalte Out-of-the-Box-Zahl, denn die betreffenden Aufgaben bekamen ihre Trainingssplits ins Modell eingespeist. Wenn man 3.1 mit einem Modell vergleicht, das diese Splits nie gesehen hat, vergleicht man ein getuntes Artefakt mit einem ungetunten.

Nichts davon macht die Zahlen falsch. Es macht die Beschriftung tragend, und das ist derselbe Maßstab, den wir an jedes Anbieterdiagramm anlegen.

Ihre drei Migrationspfade

Wenn der gehostete Endpoint Teil Ihres Stacks ist, ist die Entscheidung enger, als es aussieht.

• Selbst hosten mit Photon — Photon bleibt kostenlos und läuft lokal auf NVIDIA GPUs ab Ampere sowie auf Apple-Silicon-Macs, mit derselben API-Oberfläche wie Moondream Cloud. pip install moondream, mit local=True laden, und für das Basismodell ist kein API-Schlüssel erforderlich. Die Gewichte werden bei der ersten Verwendung von Hugging Face heruntergeladen. Dies ist der Weg, der Ihren Code nahezu unverändert beibehält und die Kosten von pro Token auf pro GPU-Stunde verlagert.

• Migration zu Prime — die Mitteilung besagt, dass M​oondream und Prime sich mit den nächsten Schritten melden werden, und verweist für Inferenz, Fine-Tuning oder ähnliche Anforderungen auf Prime, mit contact@moondream.ai für dringende Probleme. Prime ist jetzt der einzige Ort, an dem der gehostete Weg fortgeführt wird, und er wird auf Primes Stack statt auf dem von M​oondream laufen.

• Ersetzen Sie das Modell — wenn M​oondream 3 Preview in Ihrem Stack war, weil es ein günstiger, schneller Detektor für gekachelte Bilder war und nicht, weil irgendetwas daran spezifisch für M​oondream war, ist die Abschaltung ein sinnvoller Zeitpunkt, Ihren eigenen Evaluierungsdatensatz erneut laufen zu lassen, statt standardmäßig einen 1:1-Austausch vorzunehmen.

Zu vermeiden ist der vierte Weg: bis zum 12. November nichts zu tun. Credits werden erstattet, es gibt also keinen finanziellen Grund, weiterhin einen Endpunkt aufzurufen, der bald nicht mehr antwortet, und eine Migration, die in der Woche vor einem harten Abschalttermin beginnt, ist eine Migration, bei der du herausfindest, wovon deine Grounding-Prompts tatsächlich abhingen.

Wenn das Modell, auf das Sie sich festlegen, eines der über 200 im OrcaRouter-Katalog ist, wird ein Teil davon einfacher: ein einziger Schlüssel und eine einheitliche Anfrageform über alle hinweg, Provider-Listenpreis ohne Aufschlag durchgereicht, und automatisches Failover, wenn ein Upstream an Leistung verliert. M​oondream 3 Preview ist nicht in diesem Katalog, und M​oondream 3.1 ebenso wenig — beides sind Gewichte, die Sie selbst hosten oder über Prime erreichen —, für diese spezielle Migration hilft die Routing-Schicht also bei allem, was Sie als Nächstes routen, nicht aber bei M​oondream selbst. Das sollte man klar aussprechen, statt etwas anderes anzudeuten.

Was Sie in den nächsten vier Wochen sehen sollten

Drei Dinge werden Ihnen mehr verraten als jede Pressemitteilung. Erstens, ob Prime vor dem 13. November oder danach einen Inferenz-Ersatz für M​oondream Cloud veröffentlicht; die Mitteilung nennt kein Datum, und eine Lücke zwischen der Abschaltung und einem Ersatzdienst ist das Ergebnis, das für die Nutzer mit den höchsten Kosten verbunden ist. Zweitens, ob die Download-Lizenz von M​oondream 3.1 unter neuer Eigentümerschaft so bleibt, wie sie geschrieben ist — die Hosted-Service-Beschränkung der Model License 1.0 ist der ganze Grund dafür, dass der alte Endpunkt geschlossen werden muss, statt übertragen zu werden; jede Überarbeitung daran verändert also, was möglich ist. Drittens, ob die von M​oondream versprochene „viel schnellere Rate“ bei Verbesserungen einen Checkpoint statt einer Ankündigung hervorbringt; die letzte Modellveröffentlichung unter dem alten Unternehmen war 3.1 am 7. Juli 2026, und die Veröffentlichungen seither waren Photon-Versionen und Sprachmodelle.

Was bereits feststeht, ist das Datum. M​oondream 3 Preview ist seit Oktober 2025 auf seinem gehosteten Endpunkt allgemein verfügbar, M​oondream 3.1 hat es seit drei Monaten abgelöst, und am 13. November 2026 wird die gehostete Version von beiden eingestellt. Die Gewichte verschwinden nicht. Der Komfort schon.

Nichts davon ist hypothetisch: Die dokumentierten KI-Ausfälle und Agent-Vorfälle, die hinter Releases wie diesem stehen, finden sich im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und sein Umstritten-Flag führt.