El endpoint alojado de Moondream 3 Preview se cierra el 13 de noviembre

M​oondream 3 Preview se lanzó el 18 de septiembre de 2025, y el endpoint que lo sirve deja de responder el 13 de noviembre de 2026. Esas son las dos fechas que importan en esta historia, y solo la segunda es urgente. El modelo en sí no se está retirando —los pesos permanecen en Hugging Face y la licencia no cambia—, pero la ruta alojada que la mayoría de los equipos realmente llama, compartida por M​oondream 3 Preview y su sucesor M​oondream 3.1, se está desactivando, y el aviso lo decía en una sola línea: el 13 de noviembre de 2026, 30 días a partir de hoy, M​oondream Cloud cerrará, con reembolso de los créditos comprados no utilizados.

Ese aviso apareció junto con el motivo que lo motivaba. M​oondream 3 Preview y su sucesor M​oondream 3.1ahora forman parte de Prime Intellect, que anunció el 13 de octubre de 2026 que había adquirido M​oondream, y sus fundadores, Vik Korrapati y Jay Allen, se incorporan para liderar y escalar la inferencia. La propia publicación de M​oondream está fechada el 14 de octubre. Esto no es un lanzamiento y no debería escribirse como si lo fuera. Es un cambio de propiedad con una fecha límite de migración ineludible, y si tienes una llamada de producción a api.moondream.aien cualquier parte de tu stack, tienes unas cuatro semanas desde la fecha de esa publicación para decidir qué la reemplaza.

Qué compró realmente Prime Intellect

El anuncio es inusualmente explícito sobre las dos cosas que cambiaron de manos, y ninguna de ellas es un checkpoint de modelo. La primera es el equipo: Korrapati y Allen se incorporan para ejecutar inferencia y acelerar el trabajo multimodal, incluidas la visión y el uso de computadora. La segunda es Photon, el motor de inferencia de M​oondream, que compila cada modelo en un único programa de GPU usando kernels personalizados y un compilador de megakernel detrás de ellos.

Lee el encuadre y verás por qué. La publicación de Prime abre con el serving, no con la arquitectura: su argumento a favor del acuerdo es que «el serving es donde se decide la utilidad de un modelo». Las cifras que cita son métricas de rendimiento: M​oondream 3.1 a 34 peticiones por segundo, descrito como unas 24 veces más rápido que el siguiente modelo abierto más preciso; más de 60 inferencias de M​oondream por segundo en una sola H100; respuestas en decenas de milisegundos. Esas son cifras de Prime, y Prime es ahora la parte que vende la inferencia, así que trátalas como cifras declaradas por el proveedor. Lo que no es una afirmación del proveedor es la dirección del acuerdo: una empresa cuyo producto era un modelo de visión compró un motor de inferencia y puso a sus autores a cargo de la inferencia.

Para cualquiera que tenga una integración con M​oondream, la consecuencia práctica es que los pesos abiertos siguen siendo abiertos y, en palabras de M​oondream, «seguirán mejorando, ahora a un ritmo mucho más rápido». Lo que desaparece es la capa de conveniencia —la API alojada y Lens, el producto de ajuste fino—, que es exactamente la capa sobre la que muchos equipos pequeños se apoyaron porque no querían ejecutar GPU.

Qué es realmente Moondream 3 Preview

Vale la pena repetirlo, porque un modelo lanzado en septiembre de 2025 que ahora está siendo sustituido dentro de una adquisición es un modelo que muchos equipos solo están conociendo a través del aviso de cierre. Es una mezcla de expertos dispersa de grano fino, con 9B de parámetros totales y 2B activos por token, inicializado a partir del antiguo Moondream 2 denso de 2B mediante drop upcycling.

• Arquitectura — 24 capas, las primeras cuatro densas y el resto bloques feed-forward MoE con 64 expertos y 8 activados por token, GeGLU, dimensión oculta 2048.

• Codificador de visión — basado en SigLIP, con concatenación de canales multirrecorte para una entrada de alta resolución eficiente en tokens. Ese detalle del mosaico importa más adelante.

• Contexto — 32K tokens utilizables, frente a aproximadamente 2K de la generación anterior, usando un tokenizador SuperBPE personalizado. La publicación de vista previa es sincera al reconocer que el postentrenamiento aún no aprovecha plenamente la ventana larga y que los 32K completos están principalmente para quienes hacen ajuste fino.

• Habilidades — query, caption, point y detect, todas nativas y todas devolviendo salida estructurada. La detección y el señalamiento son las dos en las que más se apoyó el lanzamiento.

• Razonamiento — híbrido. query se ejecuta en modo de razonamiento de forma predeterminada y se puede invocar con el razonamiento desactivado para preguntas sencillas y económicas. El enfoque de Moondream es que esto es visual razonamiento con anclaje: el rastro de razonamiento hace referencia a regiones específicas de la imagen.

• Licencia — la Business Source License 1.1 con una Concesión de Uso Adicional, que permite el uso comercial y de producción, el ajuste fino, la cuantización y la redistribución, y prohíbe vender un servicio alojado que exponga capacidades de M​oondream de propósito general.

La última línea es la que moldeó silenciosamente el ecosistema, y vale la pena ser precisos al respecto porque M​oondream 3.1 pasó a un instrumento completamente distinto: la Licencia del Modelo M​oondream 1.0, con entrada en vigor el 7 de julio de 2026. La regla es la misma en esencia y está enunciada con mayor claridad: si M​oondream es un componente de tu producto, tienes permiso, y si el acceso a M​oondream en sí es el producto, necesitas una licencia aparte. El autoalojamiento, el despliegue en el borde, las VPC controladas por el cliente, ejecutarlo en GPU en la nube alquiladas, el ajuste fino como parte de servicios profesionales y las API específicas de dominio que no exponen funcionalidad de propósito general están todos permitidos explícitamente. La inferencia de propósito general operada por proveedores, el ajuste fino de propósito general alojado y las API compartidas que exponen una derivada ajustada son las tres que requieren un acuerdo.

Por eso el aviso de cierre existe en la forma en que existe. M​oondream no podía simplemente entregar su endpoint alojado a un tercero —la excepción de la licencia trata precisamente de eso—, así que el endpoint se cierra y la migración pasa a Prime, que ahora es su propietario.

Los dos números de los que conviene desconfiar

El propio informe de benchmarks de Moondream merece más escrutinio del que suele recibir, porque la empresa es más transparente sobre su método que la mayoría, y el método está haciendo mucho trabajo.

Para la vista previa, el gráfico de lanzamiento puso a Moondream 3 Preview contra GPT-5, Gemini 2.5-Flash y Claude 4 Sonnet. En las columnas de detección de expresiones referenciales, la diferencia es amplia y no es plausible que sea un artefacto: RefCOCO en 91.1 para la vista previa frente a 75.8 para Gemini 2.5-Flash, 57.2 para GPT-5 y 30.1 para Claude 4 Sonnet. La propia advertencia de Moondream es la parte importante: los modelos de frontera no admiten grounding de forma nativa, por lo que se consultaron a través de una plantilla, y algunas puntuaciones de la vista previa se calcularon sobre una muestra aleatoria de 100 preguntas en lugar del benchmark completo. Una consulta de grounding con plantilla contra un modelo sin habilidad de grounding mide la ingeniería de prompts tanto como mide al modelo.

Para M​oondream 3.1, el método es aún más trascendente, y merece decirse sin rodeos: las puntuaciones de benchmark publicadas se generaron ajustando el modelo con el propio conjunto de entrenamiento de cada benchmark mediante Lens, el producto de ajuste fino de M​oondream —LoRA por tarea, SFT y RL— y luego destilando lo que esos LoRA aprendieron de vuelta a los pesos base, de modo que el checkpoint descargable puntúa bien sin ningún ajuste. La publicación de 3.1 lo dice abiertamente e incluso señala que la base destilada queda justo por detrás de los LoRA individuales. Eso es un flujo de trabajo legítimo e interesante, y tampoco es lo mismo que una cifra en frío recién salida de la caja, porque a las tareas en cuestión se les dieron sus conjuntos de entrenamiento al modelo. Si comparas 3.1 con un modelo que nunca vio esos conjuntos, estás comparando un artefacto ajustado con uno sin ajustar.

Nada de esto hace que los números estén mal. Hace que el etiquetado sea estructural, que es el mismo estándar que aplicamos a cualquier gráfico de proveedor.

Sus tres rutas de migración

Si el endpoint alojado forma parte de tu stack, la decisión es más limitada de lo que parece.

• Autoalojamiento con Photon — Photon sigue siendo gratuito y se ejecuta localmente en GPU NVIDIA desde Ampere en adelante y en Mac con Apple Silicon, con la misma superficie de API que Moondream Cloud. pip install moondream, cárgalo con local=True y no se necesita ninguna clave de API para el modelo base. Los pesos se descargan desde Hugging Face en el primer uso. Esta es la ruta que conserva tu código casi sin cambios y traslada el costo de por token a por hora de GPU.

• Migrar a Prime: el aviso dice que M​oondream y Prime se pondrán en contacto con los próximos pasos y remite a Prime para inferencia, ajuste fino o necesidades similares, con contact@moondream.ai para problemas urgentes. Prime es ahora el único lugar donde continúa la ruta alojada, y se ejecutará en el stack de Prime en lugar del de M​oondream.

• Reemplaza el modelo: si Moondream 3 Preview estaba en tu stack porque era un detector de imágenes en mosaico barato y rápido, y no porque tuviera algo específicamente de Moondream, el cierre es un momento razonable para volver a ejecutar tu propio conjunto de evaluación en lugar de recurrir por defecto a un reemplazo equivalente.

Lo que hay que evitar es la cuarta vía, que consiste en no hacer nada hasta el 12 de noviembre. Se están reembolsando los créditos, así que no hay ninguna razón financiera para seguir llamando a un endpoint que está a punto de dejar de responder, y una migración que empieza la semana antes de un corte definitivo es una migración en la que descubres de qué dependían realmente tus grounding prompts.

Si el modelo que adoptas como estándar acaba siendo uno de los más de 200 del catálogo de OrcaRouter, una parte de esto se vuelve más fácil: una única clave y una única forma de solicitud para todos ellos, precio de lista del proveedor repercutido sin ningún recargo, y conmutación por error automática cuando un servicio upstream se degrada. Mo​ondream 3 Preview no está en ese catálogo, y Mo​ondream 3.1 tampoco —ambos son pesos que alojas tú mismo o a los que accedes a través de Prime—, así que para esta migración concreta la capa de enrutamiento ayuda con lo que enrutes a continuación, no con Mo​ondream en sí. Merece la pena decirlo con claridad en lugar de dar a entender lo contrario.

Qué ver durante las próximas cuatro semanas

Tres cosas te dirán más que cualquier comunicado de prensa. Primero, si Prime publica un reemplazo de inferencia para M​oondream Cloud antes del 13 de noviembre o después; el aviso no da fecha, y una brecha entre el cierre y un servicio de reemplazo es el desenlace que más les cuesta a los usuarios. Segundo, si la licencia de descarga de M​oondream 3.1 se mantiene tal como está redactada bajo la nueva propiedad —la restricción de servicio alojado de la Model License 1.0 es la razón completa por la que el antiguo endpoint tiene que cerrarse en lugar de transferirse, así que cualquier revisión que se le haga cambia lo que es posible. Tercero, si el «ritmo mucho más rápido» de mejora que M​oondream prometió produce un checkpoint en lugar de un anuncio; el último lanzamiento de modelo bajo la antigua empresa fue 3.1 el 7 de julio de 2026, y los lanzamientos desde entonces han sido versiones de Photon y modelos de voz.

Lo que ya está fijado es la fecha. M​oondream 3 Preview ha estado disponible de forma general en su endpoint alojado desde octubre de 2025, M​oondream 3.1 lo ha sustituido desde hace tres meses, y el 13 de noviembre de 2026 dejará de funcionar la versión alojada de ambos. Los pesos no van a ninguna parte. La comodidad, sí.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.