SingVL_S1_4B vs Moondream 3: ¿Coordenadas o probabilidades?

Ambos modelos prometen estructura en lugar de prosa, y ahí es donde termina el parecido. Moondream 3responde en coordenadas: pídele que encuentre a las personas en una fotografía y devuelve cajas con etiquetas; pídele que indique dónde está la manija y devuelve puntos; pídele que genere un pie de foto y devuelve una oración. SingVL_S1_4Bresponde en probabilidades: dale opciones y devuelve un número por opción; dale una afirmación y devuelve la probabilidad de que la afirmación sea verdadera. Uno te dice dónde está algo. El otro te dice cuán seguro está. Elegir entre ellos es una cuestión de cuál de esas dos respuestas tu pipeline siempre iba a necesitar, y los dos rara vez se sustituyen entre sí.

Las dos formas de la «salida estructurada»

Moondream 3 es un modelo de visión de mezcla de expertos —9B de parámetros totales, 2B activos— que el proveedor, Moondream, describe como creado para el razonamiento visual y la detección con un coste apto para el despliegue. Cuatro habilidades son nativas en lugar de estar inducidas mediante prompt: query para la respuesta visual a preguntas, detect para cajas de vocabulario abierto, point para puntos centrales y caption para leyendas. Las cuatro devuelven salida estructurada en lugar de texto conversacional, y los pesos se pueden descargar gratis y ejecutar localmente mediante el propio motor de inferencia del proveedor, Photon, en GPU NVIDIA desde Ampere en adelante o en Apple silicon. El modelo apareció como vista previa en septiembre de 2025 y fue reemplazado por Moondream 3.1 en julio de 2026, que es la generación actual de la misma arquitectura.

SingVL_S1_4B es un modelo de decisión, subido por inclusionAI el 11 de noviembre de 2026 sin ningún anuncio. Recibe un estado —texto, JSON o hasta cuatro imágenes— y un diccionario de preguntas con nombre, cada una de las cuales declara un tipo y sus respuestas candidatas. Choice devuelve una probabilidad por opción, noul devuelve la probabilidad de que se cumpla una proposición de sí/no, y score devuelve una probabilidad por nivel entre dos y diez niveles ordenados, además de un nivel esperado. Una pasada hacia adelante por solicitud, sin generación de tokens, sin ningún tipo de salida de forma libre.

En concreto: dale a Moondream 3 una foto de almacén y la palabra «pallet», y te devuelve cajas. Dale a SingVL_S1_4B la misma foto con la pregunta «¿es seguro despachar este fotograma?» y las candidatas sí y no, y te devuelve 0,91 y 0,09. Ambos son estructurados. Ninguno puede producir la salida del otro.

Para qué sirve realmente el modelo 9B

El material de lanzamiento del propio Moondream es inusualmente sincero sobre los límites de los benchmarks y, aun así, publica un conjunto denso de ellos. En detección con [email protected], las cifras que importan son COCO con 81.46, ODinW-13 con 93.94, Dense200 con 74.61 y SKU-110K con 52.77 —los dos últimos son conjuntos de escenas abarrotadas donde un modelo de visión general suele desplomarse—. La detección referencial alcanza 87.1 en RefCOCO-M. Frente a esas cifras, LVIS con 67.4 y HumanRef con 70.39 son las filas en las que pierde frente a un competidor, que el proveedor publica en lugar de ocultar.

Ese perfil —fuerte en detección densa y de vocabulario abierto, más débil en referring de grano fino, donde gana un especialista— es lo que compra el MoE de 2B activos. El modelo es rápido porque la mayoría de sus parámetros no se usan por token, y es preciso contando y localizando porque esas habilidades se entrenaron como capacidades de primer nivel en lugar de emerger del captioning.

La forma comercial merece atención porque es lo opuesto a un lanzamiento de investigación. Los pesos son gratuitos bajo la Moondream Model License, ejecutarlos localmente no requiere clave de API, y el servicio alojado se cobra por token: $0.30 por millón de entrada y $1.00 por millón de salida en tiempo real, reducido a la mitad, a $0.15 y $0.50, para procesamiento por lotes. Hay un nivel gratuito, un playground, una ruta local documentada y un texto de licencia que puedes leer. No hay nada ambiguo en el lanzamiento.

Para qué sirve realmente el modelo de 4.5B

La tarjeta de SingVL_S1_4B publica una tabla de «Índice de decisión público 0,3»: 69,76 en el panel de Texto y 73,94 en el de Visión, frente a TypeSafe Jev 1.14 con 60,70 en texto, StartLux-Decision v1.1 4B con 67,8 y 67,90, y Perplexity Decider Flash v1.2 con 60,1 y 72,5. Las filas por conjunto de datos muestran de dónde procede el agregado: InfographicVQA 96,31, Winoground 93,12, extracción de información clave 95,82 en la parte superior; MMMU-Pro vision 50,17, R-Bench-M 49,77 y moderación de memes de odio 71,64 en la parte inferior.

Esas son las cifras del propio proveedor en una tabla de clasificación que sus propios autores ayudaron a formalizar, obtenidas al puntuar opciones proporcionadas en lugar de generar respuestas, y nadie las ha reproducido. El repositorio tenía dos días cuando se escribió esto, tiene cero descargas, no incluye ningún archivo de licencia y no existe ningún artículo. El kit público de reproducción de Decision Index no muestra ningún envío procedente de este modelo.

Así que la afirmación utilizable es acotada y estructural, no numérica: una única pasada hacia adelante que devuelve una probabilidad calibrada por candidato es una primitiva distinta de un modelo que devuelve coordenadas o texto. Es la primitiva que se quiere cuando la decisión posterior es un umbral —cuando alguien ya ha decidido que por encima de 0,8 se actúa y por debajo de 0,3 se escala—. No es la primitiva que se quiere cuando el paso posterior necesita saber dónde.

El solapamiento es menor de lo que sugiere un nombre de conjunto de datos compartido.

Ambas tarjetas abordan el anclaje visual, y sería fácil alinear las cifras y declarar un ganador. No lo hagas. Tres discrepancias lo vuelven carente de sentido.

• Forma de la tarea — Las puntuaciones de detección de Moondream provienen de emitir cajas y emparejarlas con la verdad de referencia en un umbral de IoU. Las puntuaciones de visión de SingVL_S1_4B provienen de elegir entre opciones que otra persona escribió. Un modelo que ordena correctamente los candidatos no es por ello un modelo que pueda localizar.

• Marco de evaluación — Moondream reporta [email protected] en conjuntos de detección con nombre bajo sus propios ajustes de evaluación. SingVL_S1_4B reporta exactitud dentro de la suite del Decision Index corregida por azar y ajustada por cobertura. Misma palabra, distinta medición.

• Autoría: ambos conjuntos son reportados por el proveedor. El de Moondream ha tenido más de un año de escrutinio por terceros y ports de la comunidad; el de SingVL_S1_4B no ha tenido ninguno. Uno de esos números ha sido discutido en público.

Donde de verdad se podrían comparar los dos es en una tarea que ambos pueden expresar: ¿contiene esta imagen una violación y en qué categoría? Moondream respondería con una detección o una respuesta a la consulta; SingVL_S1_4B, con una distribución de opciones. Ese es un experimento real que alguien debería ejecutar, y no se ha ejecutado.

Una forma desarrollada, porque la API explica el producto

La forma más clara de ver la diferencia es escribir la solicitud que recibiría cada modelo para el mismo trabajo — evaluar una foto de entrega antes de que llegue a un perito de siniestros.

Con Moondream 3, la llamada es detect(image, "damaged parcel"), y la respuesta es una lista de objetos con cajas delimitadoras y confianza, o una lista vacía si nada coincidió. Aprendes si se encontró daño y dónde. Luego, caption(image) te da una frase que describe la escena. Dos llamadas, dos estructuras, ambas sobre contenido.

Con SingVL_S1_4B, la llamada incluye las preguntas en la solicitud. Una pregunta de opción múltiple plantea si el paquete está intacto, dañado o ausente, con tres candidatos. Una nueva pregunta indaga si la etiqueta es legible. Una pregunta de puntuación califica la calidad de la imagen según cuatro niveles ordenados. La respuesta incluye una probabilidad por candidato para cada pregunta y un nivel esperado para la puntuación. Una llamada, tres respuestas, todo sobre confianza.

La ruta de Moondream da a un sistema de reclamaciones algo que mostrar. La ruta de SingVL le da algo para bifurcar. Un equipo que construya la primera encontrará inútil la segunda; un equipo que construya la segunda encontrará que la primera requiere un analizador sintáctico que no quiere escribir. Esta es toda la decisión, y queda resuelta antes de que se abra el benchmark de cualquiera de los dos proveedores.

Ejecutarlos tampoco es comparable

Moondream 3.1 se ejecuta en una GPU de estación de trabajo o en un portátil Apple mediante Photon, con los pesos descargados del Hub en el primer uso y sin necesidad de clave para el modelo base. Existe un endpoint alojado con precios publicados por token, un nivel gratuito y una guía de inicio rápido documentada, y el proveedor publica una guía de inferencia local que abarca el hardware compatible, el streaming, los ajustes finos y el servicio mediante Triton. Cada ruta está documentada y cada precio es público.

SingVL_S1_4B se ejecuta en una GPU que usted proporcione, a partir de una descarga BF16 de 9,1 GB, mediante un entorno de Python 3.12 y un servidor FastAPI vinculado al puerto 8173 que responde en POST /v1/systemone. Las instrucciones están completas y los ejemplos de curl funcionan, lo cual es más de lo que logran la mayoría de los lanzamientos silenciosos. Lo que no existe es ninguna opción alojada, ninguna compilación cuantizada, ninguna integración con frameworks ni ninguna licencia que le permita redistribuir lo que descargó.

Esa última ausencia tiene un matiz comercial. La licencia de Moondream es personalizada —no es de código abierto en el sentido de la OSI— y el proveedor deja claro que alojar los pesos como servicio en la nube requiere su licencia, y por eso existe el nivel alojado y tiene precio. SingVL_S1_4B no tiene términos de ningún tipo, lo cual no es lo mismo que permisivo: al no haber concesión, nadie fuera de inclusionAI tiene permiso para usarlo comercialmente, y una revisión legal se detendrá ahí.

Dónde recae la decisión

Si el trabajo consiste en encontrar cosas —contar existencias, localizar un componente, leer una disposición y convertirla en cajas, señalar una manija—, Moondream 3 es el único de los dos que puede hacerlo, y sus cifras en escenas con multitudes son la razón para preferirlo frente a un modelo de visión general para esa tarea. También tiene una hoja de precios, una licencia, una ruta local y un año de otras personas usándolo.

Si el trabajo consiste en decidir —una compuerta, un triaje, un umbral sobre una taxonomía fija donde un número es más útil que una frase—, el diseño de SingVL_S1_4B es la mejor opción, y su salida elimina toda una clase de análisis posteriores. Pero «mejor opción» es una afirmación sobre la arquitectura en el segundo día de un lanzamiento sin licencia, y debería leerse como una razón para observar, no como una razón para construir.

Un equipo que quiera probar el patrón de decisión ahora, en lugar de esperar a que inclusionAI termine el papeleo, puede invocarlo hoy: OrcaRouter ofrece TypeSafe Jev 1.14 — typesafe/jev-1.14, $0.042 por millón de tokens de entrada — con la misma clave que más de 200 otros modelos, al precio de lista del proveedor con 0% de margen, de modo que un cambio de precio de cualquier proveedor se aplica el mismo día. Sing VL S1 no está en OrcaRouter y no tiene ningún alojamiento propio en ningún sitio, así que esto no es una afirmación de disponibilidad; es la forma más económica de averiguar si las salidas de probabilidad superan a las cajas en sus propios datos. Si es así, vuelva a revisar el checkpoint cuando tenga términos. Si no, se habrá ahorrado una GPU y una revisión legal.

Los dos modelos seguirán mencionándose juntos porque ambos evitan la interfaz de chat. Eso es una similitud superficial. En el fondo, uno es un localizador y el otro es un puntuador, y el pipeline que estás construyendo ya sabe cuál de los dos necesita.