SingVL_S1_4B vs Moondream 3 : coordonnées ou probabilités

Ces deux modèles promettent de la structure plutôt que de la prose, et c’est là que s’arrête la ressemblance. Moondream 3répond en coordonnées : demandez-lui de trouver les personnes sur une photographie et il renvoie des boîtes avec des étiquettes, demandez-lui où se trouve la poignée et il renvoie des points, demandez-lui de générer une légende et il renvoie une phrase. SingVL_S1_4Brépond en probabilités : donnez-lui des options et il renvoie un nombre par option, donnez-lui une affirmation et il renvoie la probabilité que cette affirmation soit vraie. L’un vous dit où se trouve quelque chose. L’autre vous dit à quel point il est sûr. Choisir entre les deux revient à se demander de laquelle de ces deux réponses votre pipeline allait de toute façon avoir besoin, et les deux se substituent rarement l’un à l’autre.

Les deux formes de « sortie structurée »

Moondream 3 est un modèle de vision à mélange d'experts — 9 milliards de paramètres au total, 2 milliards actifs — que l'éditeur, Moondream, présente comme conçu pour le raisonnement visuel et la détection à un coût adapté au déploiement. Quatre compétences sont natives plutôt qu'induites par prompt : query pour la réponse aux questions visuelles, detect pour des boîtes à vocabulaire ouvert, point pour les points centraux et caption pour les légendes. Toutes quatre renvoient une sortie structurée plutôt qu'un texte conversationnel, et les poids sont librement téléchargeables et exécutables localement via Photon, le moteur d'inférence de l'éditeur, sur des GPU NVIDIA à partir d'Ampere ou sur Apple silicon. Le modèle est apparu en avant-première en septembre 2025 et a été remplacé par Moondream 3.1 en juillet 2026, qui constitue la génération actuelle de la même architecture.

SingVL_S1_4B est un modèle de décision, téléversé par inclusionAI le 11 novembre 2026 sans aucune annonce. Il prend un état — texte, JSON ou jusqu’à quatre images — et un dictionnaire de questions nommées, chacune déclarant un type et ses réponses candidates. Choice renvoie une probabilité par option, noul renvoie la probabilité qu’une proposition oui/non soit vraie, score renvoie une probabilité par niveau sur deux à dix niveaux ordonnés, plus un niveau attendu. Une passe avant par requête, aucune génération de tokens, aucune sortie libre de quelque nature que ce soit.

Concrètement : donnez à Moondream 3 une photo d’entrepôt et le mot « palette », et il vous renvoie des boîtes. Donnez à SingVL_S1_4B la même photo avec la question « cette image peut-elle être expédiée sans risque » et les candidats oui et non, et il vous renvoie 0,91 et 0,09. Les deux sont structurés. Ni l’un ni l’autre ne peut produire la sortie de l’autre.

À quoi sert réellement le modèle 9B

Les propres supports de communication de Moondream font preuve d’une franchise inhabituelle quant aux limites des benchmarks, puis publient quand même un ensemble dense de résultats. En détection à [email protected], les chiffres qui comptent sont COCO à 81,46, ODinW-13 à 93,94, Dense200 à 74,61 et SKU-110K à 52,77 — les deux derniers étant des ensembles de scènes encombrées où un modèle de vision généraliste s’effondre généralement. La détection référencée atteint 87,1 sur RefCOCO-M. Face à ceux-ci, LVIS à 67,4 et HumanRef à 70,39 sont les lignes où il perd face à un concurrent, ce que le fournisseur affiche plutôt que de le masquer.

Ce profil — solide en détection dense et à vocabulaire ouvert, plus faible sur la référence fine où un spécialiste l’emporte — est ce que procure le MoE à 2B de paramètres actifs. Le modèle est rapide parce que la plupart de ses paramètres ne sont pas utilisés par token, et il est précis pour compter et localiser parce que ces capacités ont été entraînées comme des compétences à part entière plutôt que d’émerger du légendage.

La structure commerciale mérite d'être soulignée, car elle est à l'opposé d'une publication de recherche. Les poids sont gratuits sous la Moondream Model License, leur exécution en local ne nécessite aucune clé API, et le service hébergé est facturé au token : 0,30 $ par million de tokens en entrée et 1,00 $ par million en sortie pour le temps réel, ces tarifs étant divisés par deux, à 0,15 $ et 0,50 $, en mode batch. Il existe un niveau gratuit, un playground, un parcours local documenté et un texte de licence que vous pouvez lire. Rien dans cette publication n'est ambigu.

À quoi sert réellement le modèle 4.5B

La fiche de SingVL_S1_4B publie un tableau « Public Decision Index 0.3 » : 69,76 sur le panneau Texte et 73,94 sur Vision, contre TypeSafe Jev 1.14 à 60,70 en texte, StartLux-Decision v1.1 4B à 67,8 et 67,90, et Perplexity Decider Flash v1.2 à 60,1 et 72,5. Les lignes par jeu de données montrent d'où vient l'agrégat — InfographicVQA 96,31, Winoground 93,12, extraction d'informations clés 95,82 en tête ; MMMU-Pro vision 50,17, R-Bench-M 49,77 et modération de mèmes haineux 71,64 en bas.

Ce sont les propres chiffres du fournisseur sur un classement que ses propres auteurs ont contribué à formaliser, produits en notant des options fournies plutôt qu’en générant des réponses, et personne ne les a reproduits. Le dépôt avait deux jours lorsque ceci a été écrit, n’a aucun téléchargement, ne fournit aucun fichier de licence et aucun article n’existe. Le kit public de reproduction du Decision Index ne montre aucune soumission de ce modèle.

Donc l'affirmation exploitable est étroite et structurelle plutôt que numérique : une seule passe avant qui renvoie une probabilité calibrée par candidat est une primitive différente d'un modèle qui renvoie des coordonnées ou du texte. C'est la primitive que l'on veut lorsque la décision en aval est un seuil — lorsque quelqu'un a déjà décidé qu'au-dessus de 0,8 on agit et qu'en dessous de 0,3 on escalade. Ce n'est pas la primitive que l'on veut lorsque l'étape en aval a besoin de savoir où.

Le chevauchement est plus faible que ne le suggère un nom de jeu de données partagé.

Les deux cartes abordent l'ancrage visuel, et il serait facile d'aligner les chiffres et de désigner un vainqueur. Ne le faites pas. Trois écarts rendent l'exercice dénué de sens.

• Forme de la tâche — Les scores de détection de Moondream proviennent de l'émission de boîtes et de leur mise en correspondance avec la vérité terrain selon un seuil d'IoU. Les scores de vision de SingVL_S1_4B proviennent du choix parmi des options rédigées par quelqu'un d'autre. Un modèle qui classe correctement des candidats n'est pas pour autant un modèle capable de localiser.

• Harnais — Moondream rapporte [email protected] sur des ensembles de détection nommés selon ses propres paramètres d'évaluation. SingVL_S1_4B rapporte la précision au sein de la suite corrigée du hasard et ajustée pour la couverture du Decision Index. Même mot, mesure différente.

• Paternité — les deux ensembles sont déclarés par le fournisseur. Celui de Moondream a bénéficié de plus d’un an d’examen par des tiers et de ports communautaires ; celui de SingVL_S1_4B n’en a bénéficié d’aucun. L’un de ces chiffres a été contesté publiquement.

Là où les deux pourraient véritablement être comparés, c’est sur une tâche que tous deux peuvent exprimer : cette image contient-elle une violation, et dans quelle catégorie ? Moondream répondrait par une détection ou une réponse à une requête ; SingVL_S1_4B par une distribution de choix. C’est une véritable expérience que quelqu’un devrait mener, et elle n’a pas été menée.

Une forme travaillée, car l’API explique le produit.

La façon la plus claire de voir la différence est d’écrire la requête que chaque modèle recevrait pour la même tâche — le tri d’une photo de livraison avant qu’elle ne soit transmise à un expert en sinistres.

Avec Moondream 3, l’appel est detect(image, "damaged parcel"), et la réponse est une liste d’objets avec des boîtes englobantes et un score de confiance, ou une liste vide si rien ne correspond. Vous apprenez si des dommages ont été trouvés et où. Ensuite, caption(image) vous donne une phrase décrivant la scène. Deux appels, deux structures, toutes deux portant sur le contenu.

Avec SingVL_S1_4B, l’appel transporte les questions dans la requête. Une question à choix demande si le colis est intact, endommagé ou manquant, avec trois candidats. Une question noul demande si l’étiquette est lisible. Une question de score évalue la qualité de l’image selon quatre niveaux ordonnés. La réponse contient une probabilité par candidat pour chaque question et un niveau attendu pour le score. Un seul appel, trois réponses, tout est question de confiance.

La voie Moondream donne à un système de gestion de sinistres quelque chose à afficher. La voie SingVL lui donne quelque chose sur quoi effectuer un branchement. Une équipe qui construit la première jugera la seconde inutile ; une équipe qui construit la seconde constatera que la première exige un analyseur syntaxique qu’elle ne veut pas écrire. Telle est toute la décision, et elle est arrêtée avant même que le benchmark de l’un ou l’autre fournisseur ne soit ouvert.

Leur exécution n'est pas comparable non plus

Moondream 3.1 s'exécute sur un GPU de station de travail ou un ordinateur portable Apple via Photon, les poids étant téléchargés depuis le Hub à la première utilisation et aucune clé n'étant requise pour le modèle de base. Il existe un point de terminaison hébergé avec des tarifs par token publiés, un niveau gratuit et un démarrage rapide documenté, et le fournisseur publie un guide d'inférence locale couvrant le matériel pris en charge, le streaming, les finetunes et le service via Triton. Chaque parcours est documenté et chaque prix est public.

SingVL_S1_4B s’exécute sur un GPU que vous fournissez, à partir d’un téléchargement BF16 de 9,1 Go, via un environnement Python 3.12 et un serveur FastAPI lié au port 8173 qui répond à POST /v1/systemone. Les instructions sont complètes et les exemples curl fonctionnent, ce que la plupart des publications discrètes ne parviennent pas à offrir. Ce qui n’existe pas, c’est la moindre option hébergée, la moindre build quantifiée, la moindre intégration à un framework ou la moindre licence vous permettant de redistribuer ce que vous avez téléchargé.

Cette dernière absence a une dimension commerciale. La licence de Moondream est une licence personnalisée — pas open source au sens de l’OSI — et le fournisseur précise explicitement que l’hébergement des poids en tant que service cloud nécessite sa licence, d’où l’existence de l’offre hébergée, qui est payante. SingVL_S1_4B n’a aucune condition d’utilisation, ce qui n’est pas synonyme de permissif : en l’absence d’autorisation accordée, personne en dehors d’inclusionAI n’a le droit de l’utiliser à des fins commerciales, et un examen juridique s’arrêtera là.

Où la décision atterrit

Si le travail consiste à trouver des choses — compter du stock, localiser un composant, lire un plan sous forme de cases, pointer une poignée — Moondream 3 est le seul des deux à pouvoir le faire, et ses chiffres sur les scènes de foule sont la raison de le préférer à un modèle de vision généraliste pour ce type de tâche. Il dispose aussi d'une grille tarifaire, d'une licence, d'une exécution en local et d'un an de recul grâce à ses autres utilisateurs.

Si la tâche consiste à décider — une porte, un triage, un seuil sur une taxonomie fixe où un nombre est plus utile qu’une phrase —, la conception de SingVL_S1_4B convient mieux, et sa sortie élimine toute une catégorie de parsing en aval. Mais « convient mieux » est un jugement sur l’architecture au deuxième jour d’une publication sans licence, et il faut y voir une raison de surveiller plutôt qu’une raison de construire.

Une équipe qui souhaite tester dès maintenant le schéma de décision, plutôt que d’attendre qu’inclusionAI termine les formalités, peut l’appeler dès aujourd’hui : OrcaRouter sert TypeSafe Jev 1.14 — typesafe/jev-1.14, 0,042 $ par million de jetons d’entrée — sur la même clé que plus de 200 autres modèles, au prix catalogue du fournisseur avec 0 % de marge, de sorte qu’un changement de prix de n’importe quel fournisseur est répercuté le jour même. Sing VL S1 n’est pas sur OrcaRouter et n’est hébergé nulle part, donc il ne s’agit pas d’une affirmation de disponibilité ; c’est le moyen le moins coûteux de savoir si les sorties probabilistes surpassent les boîtes sur vos propres données. Si c’est le cas, revenez au checkpoint lorsqu’il aura des conditions. Sinon, vous avez économisé un GPU et une revue juridique.

Les deux modèles continueront d’être évoqués ensemble parce que tous deux évitent l’interface de chat. C’est une similitude de surface. Sous la surface, l’un est un localisateur et l’autre un scoreur, et le pipeline que vous construisez sait déjà lequel des deux il lui faut.