Moondream 3.1 9B A2B לעומת North Micro Vision Instruct: איזה ספק באמת מאפשר לך לבדוק את המספר

שני מודלי ראייה פתוחים, בהפרש של ארבעה חודשים, שכמעט אין ביניהם שום דבר משותף באופן שבו הם מבקשים שישפטו אותם. M​oondream 3.1 9B A2B הושק ב-7 ביולי 2026 עם טבלת בנצ'מרק, כותרת תחתונה מתודולוגית שמציינת H100 SXM5 בודד וגודל אצווה של 16, וטיעון שעובר לאורך אותו פוסט שלפיו בנצ'מרקים אינם מודדים את מה שלקוחותיו באמת צריכים. North Micro Vision Instruct הגיע ב-12 באוגוסט 2026 מ-C​ohere Labs עם 2.4 מיליארד פרמטרים תחת Apache 2.0, ופוסט ההשקה שלו מקדיש את מלוא אורכו לתוכנית האימון ולמערך ההערכה שלו — ההרנס ששימש, ופרמטרי הדגימה המדויקים שבהם הופקו המספרים.

זהו הבדל אמיתי בסוג, והוא שימושי יותר לקונה מאשר מספר הפרמטרים של כל אחד מהמודלים. ספק אחד אומר לך כיצד לשחזר את הטבלה שלו. האחר אומר לך לא לסמוך על טבלאות ואז מפרסם אחת. אף אחד מהם לא הוערך באופן בלתי תלוי, ככל שמצאנו, כך שהשאלה שבאמת מכריעה על איזו קבוצת מספרים להישען היא כמה כל ספק נתן לך לבדוק.

מה כל אחד מהם הוא

Moondream 3.1 9B A2B הוא מודל חזותי-לשוני מסוג תערובת מומחים דלילה: 9B פרמטרים בסך הכול, 2B פעילים לכל טוקן, 64 מומחים עם 8 פעילים, מקודד חזותי SigLIP עם שרשור ערוצים בריבוי חיתוכים, חלון הקשר של 32K טוקנים ומפרק SuperBPE. ארבע המיומנויות שלו — query, detect, point ו-caption — מאומנות ולא מונחות בהנחיה, ונתיבי ה-detect וה-point מחזירים גאומטריה מובנית ולא תיאור. הוא פועל על Photon, מנוע ההסקה של היצרן, ומיועד ל-GPUs של NVIDIA מ-Ampere ואילך ול-Apple Silicon.

North Micro Vision Instruct הוא מודל צפוף של 2.4 מיליארד פרמטרים הבנוי משלושה חלקים: מקודד ראייה ברזולוציה מקורית של 400 מיליון שעבר אימון מוקדם נוסף מנקודת הבידוק SigLIP 2 SO400M של G​oogle, פרויקטור שעוקב אחר תבנית DeepStack של הזרקת הטמעות טלאים ממספר שכבות מקודד לשכבות מודל שפה מוקדמות, ומודל שפה של 2 מיליארד פרמטרים בשם North Micro LLM שעוקב אחר ארכיטקטורת Command A+ של C​ohere. הוא מקבל טקסט ותמונות משולבים — אחת או כמה — ומפיק טקסט. אוצר המילים של הטוקנייזר הוא 262,144, והשפות המפורטות מגיעות לאחת עשרה פלוס "ועוד".

ההבדל בסוג הפלט ראוי לומר אותו במפורש, משום שהוא מעצב את מה שבא בהמשך: M​oondream הוא מודל תפיסה שמשיב עם תיבות וקואורדינטות, North Micro Vision הוא מודל הבנה שמשיב בשפה. כל מה שכל אחד מהספקים מפרסם הוא מדידה של אחד משני התפקידים האלה, והם אינם אותו תפקיד.

מספר ה-8K שאינו חלון ההקשר של המודל

התחל במלכודת, כי היא יושבת באמצע כרטיס המודל של North Micro Vision, וזה מהסוג שמגיע להחלטת ארכיטקטורה בטעות.

• North Micro Vision Instruct — חלון ההקשר של עמוד השדרה הלשוני 128,000 טוקנים; טווח פעולה רב-מודאלי מאומת של עד 8,000 טוקנים. הכרטיס מציין במפורש שהקשרים רב-מודאליים ארוכים יותר עשויים להסתמך על אקסטרפולציה ולא נבחנו בבנצ'מרק.

• Moondream 3.1 9B A2B — 32,000 טוקנים, מספר אחד, לא פורסמה החרגת מודאליות.

אז הנתון הכותרתי מטיב עם North Micro Vision פי ארבעה, והנתון שבפועל יחול על עומס העבודה של התמונות שלך מטיב עם Moondream פי ארבעה. אם אתה מעריך כמה עמודים של מסמך סרוק נכנסים בקריאה אחת, 128K הוא המספר הלא נכון ו-8K הוא הנכון, ו-8K של טוקנים משולבים של תמונה וטקסט אינו הרבה עמודים ברגע שמקודד ברזולוציה מקורית מתחיל לפלוט טוקנים ביחס לשטח הפיקסלים. מגיע לספק קרדיט על שפרסם את ההסתייגות — רוב הכרטיסים לא היו עושים זאת — אבל ההסתייגות קבורה מתחת לטבלת מפרטים והטבלה היא זו שמועתקת.

כיצד שני הספקים מדווחים, זה לצד זה

זה החלק בהשוואה שאין לו שום קשר למודלים, והכול קשור לשאלה איזה מהם אפשר לבקר.

בפוסט של M​oondream 3.1 מצוינים מודלי הבסיס שלו (Qwen3.5 9B, SAM 3, LocateAnything, Gemma 4 12B), המדד שלו (F1@0.5 לזיהוי), החומרה שלו (H100 SXM5 אחד), גודל האצווה שלו (16), והעובדה שכל מודל הורץ באמצעות מנוע משלו — vLLM עבור LocateAnything, Qwen3.5 ו-Gemma 4; Photon עבור M​oondream; Hugging Face Transformers עבור SAM 3. נאמר בו גם שנבחרו הגדרות הדיוק והחשיבה הגבוהות ביותר לכל מודל, וש-LocateAnything רץ במצב איטי כדי למקסם את הדיוק. התוצאות שהוא מפרסם הן 81.46 F1@0.5 על COCO val, 93.94 על ODinW-13, 67.4 על LVIS, 74.61 על Dense200, 52.77 על SKU-110K, 74.5 על CrowdHuman, 87.1 על RefCOCO-M, 70.39 על HumanRef, 59.63 על DOTA-v2, 90.35 על CountBench, 74.86 על TallyQA, 88.68 על PixMo-Count, 86.01 על ChartQA ו-88.6 על DocVQA, עם טענות לביצועי שיא בחמישה ממשפחות הבנצ'מרק.

מה שלא נמצא בכותרת התחתונה הזו הוא הדבר שהופך תוצאה לברת־שחזור: הפרומפטים. זיהוי הוא משימה בעלת אוצר מילים פתוח, והניסוח שבו אתה מבקש דבר משנה את מה שמוחזר. למי שמריץ מחדש יש את המדד, את החומרה ואת גודל האצווה, ובכל זאת הוא אינו יכול לשחזר את המספר בלי לדעת איזה טקסט יצר כל תיבה.

הפוסט של Cohere Labs נוקט בגישה האחרת. הוא מציין את ההרנס (VLMEvalKit), אומר שהמודל הוערך עם מימוש vLLM פנימי, מפרט את הרכב הבנצ'מרקים עבור כל קבוצת יכולות — General VQA הוא ממוצע על פני MMBench, MMStar, RealWorldQA ו-GQA; קבוצת התרשימים, המסמכים וה-OCR מכסה את ChartQA, DocVQA, InfoVQA, OCRBench, OCRBench v2 ו-AI2D; עיגון וספירה הם ממוצע RefCOCO ו-CountBench — ומפרסם את פרמטרי הדגימה שבהם הופקו המספרים: temperature 0.7, top_p 0.8, top_k 20, min_p 0.0, presence_penalty 1.5, repetition_penalty 1.0. הוא גם מציין שתמיכת vLLM הציבורית היא "בקרוב", וזהו הגילוי הכנה שהכי חשוב לכל מי שמתכנן לשחזר: המודל נבדק על פורק.

מה שהפוסט הזה לא מפרסם הוא טבלה לפי בנצ'מרק. התוצאות שלו הן ממוצעים לפי קבוצות יכולות וטענה יחסית — במצב Instruct, 35B-A3B מקבל ציון גבוה יותר בזמן הסקה קצר יותר מאשר Qwen3.6 35B-A3B, וגרסת 1B מתעלה על Qwen3.5 0.8B הן בציון והן ביעילות — מה שפחות נוח לציטוט מיידי ועמיד יותר בפני בחירה סלקטיבית. אף אחד מהמסמכים לא מאפשר לך לחשב מחדש את המספר של הספק האחר. שניהם מאפשרים לך לראות כמה הם מסתירים.

איפה ההבדל בארכיטקטורה בא לידי ביטוי בפועל

רזולוציה מקורית היא החלטת העיצוב האחת ב-North Micro Vision שמשנה את העבודה היומיומית, וכדאי להבין אותה לפני טבלאות הבנצ'מרק. רוב מקודדי הראייה משנים את הגודל של כל מה שנותנים להם לריבוע קבוע, ולכן צילום מסך רחב של גיליון אלקטרוני מגיע למודל השפה כשהעמודות שלו נמחצות. המקודד של North Micro Vision מאומן לקבל את התמונה ברזולוציה וב�יחס הגובה-רוחב שלה, תוך שמירה על הפרטים העדינים של מסמכים, טבלאות, תרשימים וטפסים. תוכנית הלימודים שפורסמה עברה משלב קבוע של 384×384 על 10 מיליון דוגמאות לשלב של 1024×1024 על 13 מיליון ומעבר לכך.

המקודד של Moondream מבוסס במקום זאת על ריבוי חיתוכים: מתייחסים לתמונה כאל קבוצה של חיתוכים שהמאפיינים שלהם משורשרים יחד, וזו גם דרך לשמר פרטים בקלטים גדולים והיא כרוכה באופן שבו ראש הזיהוי שלו מפיק תיבות. שתיהן תשובות לגיטימיות לאותה בעיה, ואף ספק לא מפרסם השוואה ראש בראש ברזולוציה תואמת, כך שהדבר המועיל שכדאי לקחת מדיון הארכיטקטורה מצומצם יותר מהכרעה: אם העבודה שלך היא מסמכים צפופים וצילומי מסך רחבים של ממשק משתמש, הרזולוציה המקורית היא התכונה שיש לבדוק, והמבחן הוא צילום מסך משלך, לא שורת בנצ'מרק.

ההבדל המבני הנוסף הוא ריבוי תמונות ווידאו. North Micro Vision Instruct מטפל בקלט מרובה תמונות משולב ומפרט בנצ'מרקים של ריבוי תמונות בין הקבוצות שהעריך. M​oondream 3.1 9B A2B מוגבל לתמונה אחת לכל קריאה — אין מסלול וידאו, אין מסלול ריבוי תמונות. זה עקבי עם העיצוב שלו: הכתיבה ההנדסית של M​oondream עצמה על וידאו חי טוענת שהבעיה היא צנרת הסקה ולא יכולת המודל, והתשובה של החברה לעומסי זמן היא מנוע שעומד בקצב של זרם ולא נקודת ביקורת שבולעת תמונה אחת. האם זו תשובה טובה יותר ממודל שלוקח 128 פריימים בבת אחת היא שאלה פתוחה וכנה, ושני הספקים לא מודדים את אותו הדבר.

פריסה ורישיון, במהירות

• גודל — 9B סה״כ / 2B פעילים לעומת 2.4B צפוף. מבחינת נפח האחסון, הפער גדול יותר מכפי שמרמז יחס הפרמטרים הפעילים, מכיוון שטביעת הרגל של מודל דליל נגזרת מהסך הכולל שלו.

• קנה המידה של כיוונון עדין — מודל צפוף בגודל 2.4B קטן מספיק כדי לבצע כיוונון עדין בהתקן בודד; מודל דליל בגודל 9B דורש תצורת אימון אמיתית לכל דבר מעבר ל-LoRA, ולכן מסלול הכיוונון של M​oondream עצמו עבר דרך מוצר מתארח.

• סביבות הרצה — North Micro Vision Instruct דורש Transformers 5.16.0 עם accelerate ו-Pillow; קיימות קוונטיזציות קהילתיות ב-MLX, ב-LiteRT ובפורמטים סמוכים ל-ONNX. M​oondream 3.1 9B A2B רץ על Photon, כאשר אריזת ה-GGUF הראשונה של צד שלישי של נקודת הביקורת מופיעה ב-15 באוקטובר 2026.

• רישיון — Apache 2.0 עבור North Micro Vision Instruct, ללא סף וללא הגבלה על אירוחו עבור אחרים. רישיון M​oondream Model License 1.0 עבור M​oondream 3.1 9B A2B: שימוש מסחרי, אירוח עצמי, כוונון עדין, קוונטיזציה והפצה מחדש — כולם מותרים, עם איסור אחד — אין להציע הסקה או כוונון עדין של M​oondream לשימוש כללי כשירות מתארח.

• נטישה — North Micro Vision Instruct נותר ללא שינוי מאז שחרורו; התוספות הבולטות לאחרונה הן קוונטיזציות מצד שלישי. התנאים של M​oondream השתנו תחתיו בשבועיים האחרונים: Prime Intellect רכשה את החברה ב-13 באוקטובר 2026, ו-M​oondream Cloud, כולל המוצר לכיוונון עדין Lens, ייסגר ב-13 בנובמבר 2026. המשקלים ו-Photon אינם מושפעים; המסלול המתארח לא.

המודל השני בפייפליין, ומי מנתב אותו

אף אחד מהצ'קפוינטים האלה לא מוגש ב-OrcaRouter, אז יש לקרוא את זה כהערת אינטגרציה. שניהם רכיבים חד-שלביים: אחד מחזיר תיבות, האחר מחזיר טקסט, ומערכת פרודקשן זקוקה למודל מאחוריהם כדי להחליט מה המשמעות של התצפית ולכתוב אותה. השלב הזה הוא שלב טקסטואלי, הוא בדרך כלל עולה יותר לקריאה משלב הראייה, וזה השלב שתרצו להחליף ראשון כשמופיע מודל הסקה זול או טוב יותר. ביצוע ההחלפה הזו דרך נקודת קצה אחת תואמת OpenAI על פני יותר מ-200 מודלים — כשתמחור המחירון של הספקים מועבר הלאה בתוספת של 0% ומעבר אוטומטי בין ספקים כשספק במעלה הזרם חווה שעה רעה — פירושו החלפת מזהה מודל במקום חיווט מחדש של המצלמה. כשלא די בדעה אחת, מיזוג מודלים מריץ פאנל של מודלים על אותו קלט, וה-DSL של הניתוב מרכיב כמה מהם לקריאה אחת.

יש מקום אחד שבו נוכל להיות מדויקים יותר, וכדאי להיות כנים לגבי לאן זה נוטה. North Micro Vision Instruct הוא ברישיון Apache 2.0 וקטן מספיק כדי לפעול על חומרה שבבעלותך, מה שאומר שהטיעון הרגיל לניתוב מודל ראייה דרך נקודת קצה מתארחת — שאינך יכול לארח אותו בעצמך — אינו חל. הטיעון שנותר הוא הטיעון הרגיל: מודל שני בתוך התהליך, באותו מפתח, עם חיוב אחד וסט אחד של פרטי התחברות.

מה לבחור, ומה היה משנה את התשובה

בחרו ב-North Micro Vision Instruct אם אתם קוראים מסמכים, טבלאות, תרשימים או מסכים, אם אתם צריכים כמה תמונות בקריאה אחת, אם Apache 2.0 חשוב מפני שאתם מתכוונים לארח את המודל עבור אנשים אחרים, או אם אתם רוצים צ'קפוינט של 2.4B שתוכלו לכוונן על הנתונים שלכם. כרטיס המודל של Cohere מצביע על כיוונון עדין כשימוש המיועד, והרישיון אינו מציב מכשול בדרך.

בחרו ב-Moondream 3.1 9B A2B אם הפלט שלכם הוא גאומטריה — תיבות, קואורדינטות, ספירות עם מופעים מצורפים — והפריסה שלכם היא מכונת CUDA עם Photon עליה. המודל מתמחה, וטענת המהירות שלו מכוונת בדיוק לעומס העבודה הזה.

מה שישנה את התשובה עבור שניהם הוא הערכה בלתי תלויה, וזה הדבר שכדאי להמשיך לעקוב אחריו. המספרים של אף אחד מהספקים לא שוחזרו מחוץ לספק, וכל אחד מהם פרסם בתנאים שהופכים את השחזור לקשה מכפי שהוא צריך להיות: האחד מסתיר את הפרומפטים שלו, והאחר הורץ על מימוש הגשה פנימי של מסגרת שתמיכתה הציבורית עדיין בהמתנה. כאשר צד שלישי יריץ אחד משני הצ'קפוינטים על אותה קבוצת מסמכים, המודל שטבלתו תשרוד את המגע הזה ללא פגע הוא זה שכדאי להאמין לו — ועד אז, הספק שסיפר לך כיצד מדד הוא הקל יותר להתווכח איתו.

תוצאה כמו זו היא גם תזכורת לכך שטעויות של מודלים כבר מתועדות: תקריות AI וכשלי סוכנים מאחורי מודלים בקטגוריה הזו נאספים בה-OrcaRouter AI Incident Archive, שבו כל רשומה נושאת את המקורות, חומרת האירוע, דירוג הביטחון ודגל המחלוקת שלה.