SingVL_S1_4B לעומת Moondream 3: קואורדינטות או הסתברויות

שני המודלים האלה מבטיחים מבנה במקום פרוזה, ושם נגמר הדמיון. Moondream 3 עונה בקואורדינטות: בקשו ממנו למצוא את האנשים בתמונה והוא מחזיר תיבות עם תוויות, בקשו ממנו היכן הידית והוא מחזיר נקודות, בקשו ממנו לכתוב כיתוב והוא מחזיר משפט. SingVL_S1_4B עונה בהסתברויות: תנו לו אפשרויות והוא מחזיר מספר לכל אפשרות, תנו לו משפט והוא מחזיר את הסיכוי שהמשפט נכון. האחד אומר לכם היכן משהו נמצא. האחר אומר לכם עד כמה הוא בטוח. הבחירה ביניהם היא שאלה לגבי איזו משתי התשובות האלה צינור העיבוד שלכם תמיד היה צריך, ולעיתים רחוקות השניים מחליפים זה את זה.

שתי הצורות של "פלט מובנה"

Moondream 3 הוא מודל ראייה מסוג תערובת של מומחים — 9 מיליארד פרמטרים בסך הכול, 2 מיליארד פעילים — שהספק, Moondream, מתאר ככזה שנבנה לחשיבה חזותית ולזיהוי בעלות נוחה לפריסה. ארבע יכולות הן מובנות ולא מבוססות פרומפט: query לשאלות חזותיות, detect לתיבות באוצר מילים פתוח, point לנקודות מרכז ו-caption. כל הארבע מחזירות פלט מובנה ולא טקסט שיחתי, והמשקולות זמינות להורדה בחינם ולהרצה מקומית דרך מנוע ההסקה של הספק עצמו, Photon, על כרטיסי GPU של NVIDIA מדור Ampere ואילך או על Apple silicon. המודל הופיע בתצוגה מקדימה בספטמבר 2025 והוחלף ב-Moondream 3.1 ביולי 2026, שהוא הדור הנוכחי של אותה ארכיטקטורה.

SingVL_S1_4B הוא מודל החלטות, שהועלה על ידי inclusionAI ב-11 בנובמבר 2026 ללא הודעה מוקדמת. הוא מקבל מצב — טקסט, JSON או עד ארבע תמונות — ומילון של שאלות בעלות שמות, שכל אחת מהן מצהירה על סוג ועל התשובות המועמדות שלה. Choice מחזיר הסתברות לכל אפשרות, noul מחזיר את ההסתברות שטענת כן/לא מתקיימת, score מחזיר הסתברות לכל רמה על פני שתיים עד עשר רמות מסודרות, בתוספת רמה צפויה. מעבר קדמי אחד לכל בקשה, ללא יצירת טוקנים, ללא פלט חופשי מכל סוג שהוא.

באופן מעשי: תנו ל-Moondream 3 תמונת מחסן ואת המילה "pallet", והוא יחזיר לכם קופסאות. תנו ל-SingVL_S1_4B את אותה תמונה עם השאלה "האם הפריים הזה בטוח למשלוח?" ושני מועמדים, yes ו-no, והוא יחזיר לכם 0.91 ו-0.09. שניהם מובנים. אף אחד מהם אינו יכול להפיק את הפלט של האחר.

למה מודל ה-9B באמת מיועד

חומר ההפצה של Moondream עצמו גלוי באופן יוצא דופן לגבי מגבלותיהם של מדדי הבנצ'מרק, ובכל זאת מפרסם סט צפוף בכל מקרה. בזיהוי ב[email protected], המספרים החשובים הם COCO ב-81.46, ODinW-13 ב-93.94, Dense200 ב-74.61 ו-SKU-110K ב-52.77 — כשהשניים האחרונים הם סטים של סצנות צפופות שבהן מודל ראייה כללי בדרך כלל קורס. זיהוי referring מגיע ל-87.1 ב-RefCOCO-M. לעומתם, LVIS ב-67.4 ו-HumanRef ב-70.39 הם השורות שבהן הוא מפסיד למתחרה, שאותן הספק מדפיס ולא מסתיר.

הפרופיל הזה — חזק בזיהוי צפוף ובזיהוי באוצר מילים פתוח, וחלש יותר בהפניה עדינת-גרגר שבה מנצח מומחה ייעודי — הוא מה שמודל MoE עם 2B פרמטרים פעילים מספק. המודל מהיר מפני שרוב הפרמטרים שלו אינם בשימוש בכל טוקן, והוא מדויק בספירה ובאיתור מפני שאלה אומנו כמיומנויות לכל דבר ולא צמחו מתוך תיאור תמונות.

הצורה המסחרית ראויה לציון משום שהיא ההפך מהשקה מחקרית. המשקולות חינמיות תחת Moondream Model License, הרצתן באופן מקומי אינה דורשת מפתח API, והשירות המתארח מתומחר לפי טוקן: $0.30 למיליון קלט ו-$1.00 למיליון פלט בזמן אמת, ובמחצית ל-$0.15 ו-$0.50 עבור אצווה. יש שכבת שירות חינמית, מגרש משחקים, מסלול מקומי מתועד וטקסט רישיון שניתן לקרוא. שום דבר בהשקה אינו מעורפל.

למה בעצם מיועד המודל 4.5B

הכרטיס של SingVL_S1_4B מפרסם טבלת "Public Decision Index 0.3": 69.76 בפאנל Text ו-73.94 ב-Vision, לעומת TypeSafe Jev 1.14 עם 60.70 ב-Text, StartLux-Decision v1.1 4B עם 67.8 ו-67.90, ו-Perplexity Decider Flash v1.2 עם 60.1 ו-72.5. השורות לפי מערך נתונים מראות מאיפה מגיע המצטבר — InfographicVQA 96.31, Winoground 93.12, חילוץ מידע מרכזי 95.82 בראש; MMMU-Pro vision 50.17, R-Bench-M 49.77 ומודרציה של ממים שנאה 71.64 בתחתית.

אלה הנתונים של הספק עצמו על לוח דירוג שהמחברים שלו עצמם סייעו להסדירו, שהופקו באמצעות ניקוד אפשרויות שסופקו ולא באמצעות יצירת תשובות, ואיש לא שחזר אותם. המאגר היה בן יומיים כשנכתב הדבר, יש לו אפס הורדות, הוא אינו כולל קובץ רישיון, ולא קיים מאמר. ערכת השחזור הציבורית של Decision Index אינה מציגה הגשה מהמודל הזה.

אז הטענה השימושית היא צרה ומבנית ולא מספרית: מעבר קדימה יחיד שמחזיר הסתברות מכוילת לכל מועמד הוא פרימיטיב שונה ממודל שמחזיר קואורדינטות או טקסט. זהו הפרימיטיב הרצוי כאשר ההחלטה במורד הזרם היא סף — כאשר מישהו כבר החליט שמעל 0.8 פועלים ומתחת ל-0.3 מסלימים. זהו לא הפרימיטיב הרצוי כאשר השלב במורד הזרם צריך לדעת היכן.

החפיפה קטנה מכפי שמרמז שם של מערך נתונים משותף.

שני הכרטיסים נוגעים בעיגון חזותי, והיה קל ליישר מספרים ולהכריז על מנצח. אל תעשו זאת. שלוש אי־התאמות הופכות את זה לחסר משמעות.

• צורת המשימה — ציוני הזיהוי של Moondream מגיעים מהפקת תיבות והתאמתן לנתוני האמת בסף IoU. ציוני הראייה של SingVL_S1_4B מגיעים מבחירה מבין אפשרויות שמישהו אחר כתב. מודל שמדרג מועמדים נכון אינו הופך בשל כך למודל שמסוגל לבצע לוקליזציה.

• רתמת בדיקה — Moondream מדווח על [email protected] בערכות זיהוי עם שמות תחת הגדרות ההערכה שלו עצמו. SingVL_S1_4B מדווח על דיוק בתוך חבילת ההערכה של Decision Index, המתוקנת לסיכוי ומותאמת כיסוי. אותה מילה, מדידה אחרת.

• מקור — שני הסטים מדווחים על ידי הספק. הסט של Moondream עבר יותר משנה של בחינה על ידי צד שלישי ופורטים קהילתיים; הסט של SingVL_S1_4B לא זכה לאף אחד מהם. על אחד מהמספרים האלה התנהל ויכוח פומבי.

המקום שבו באמת אפשר להשוות בין השניים הוא משימה ששניהם יכולים לבטא: האם התמונה הזו מכילה הפרה, ואיזו קטגוריה. Moondream היה עונה בזיהוי או בתגובת שאילתה; SingVL_S1_4B בהתפלגות בחירה. זהו ניסוי אמיתי שמישהו צריך להריץ, והוא לא הורץ.

דוגמה מעובדת, כי ה-API מסביר את המוצר

הדרך הברורה ביותר לראות את ההבדל היא לכתוב את הבקשה שכל מודל יקבל עבור אותה משימה — מיון תמונת משלוח לפני שהיא עוברת לשמאי תביעות.

עם Moondream 3, הקריאה היא detect(image, "חבילה פגומה"), והתגובה היא רשימה של אובייקטים עם תיבות תוחמות ורמת ביטחון, או רשימה ריקה אם שום דבר לא התאים. אתה לומד אם נמצא נזק והיכן. לאחר מכן caption(image) נותן לך משפט המתאר את הסצנה. שתי קריאות, שני מבנים, שניהם עוסקים בתוכן.

עם SingVL_S1_4B, הקריאה נושאת את השאלות בבקשה. שאלת בחירה אחת שואלת אם החבילה שלמה, פגומה או חסרה, עם שלושה מועמדים. שאלת noul בודקת אם התווית קריאה. שאלת ניקוד מדרגת את איכות התמונה בארבע רמות מסודרות. התגובה נושאת הסתברות לכל מועמד עבור כל שאלה ורמה צפויה עבור הניקוד. קריאה אחת, שלוש תשובות, הכול סביב ביטחון.

נתיב Moondream מעניק למערכת תביעות משהו להציג. נתיב SingVL מעניק לה משהו שעל פיו ניתן להסתעף. צוות שבונה את הראשון ימצא את השני חסר תועלת; צוות שבונה את השני יגלה שהראשון מחייב מנתח (parser) שהוא אינו רוצה לכתוב. זו כל ההחלטה, והיא מוכרעת עוד לפני שנפתח מדד הביצועים של מי משני הספקים.

גם הרצה שלהם אינה ניתנת להשוואה.

Moondream 3.1 פועל על GPU של תחנת עבודה או על מחשב נייד של Apple באמצעות Photon, כאשר המשקלים מורדים מה-Hub בשימוש הראשון ולא נדרש מפתח עבור מודל הבסיס. קיים endpoint מתארח עם מחירים מפורסמים לכל טוקן, שכבת שימוש חינמית ותיעוד quickstart, והספק מפרסם מדריך להסקה מקומית המכסה חומרה נתמכת, סטרימינג, כיוונונים עדינים (finetunes) והגשה דרך Triton. כל מסלול מתועד וכל מחיר פומבי.

SingVL_S1_4B פועל על GPU שאתה מספק, מהורדה של 9.1 GB ב-BF16, דרך סביבת Python 3.12 ושרת FastAPI שמאזין לפורט 8173 ומגיב בנתיב POST /v1/systemone. ההוראות מלאות ודוגמאות ה-curl עובדות, וזה יותר ממה שרוב ההשקות השקטות מצליחות לעשות. מה שאינו קיים הוא שום אפשרות אירוח, שום בנייה מכומתת, שום שילוב עם פריימוורק, או שום רישיון שמתיר לך להפיץ מחדש את מה שהורדת.

להיעדר האחרון יש היבט מסחרי. הרישיון של Moondream הוא רישיון מותאם אישית — לא קוד פתוח במובן של OSI — והספק מציין במפורש שאירוח המשקולות כשירות ענן מחייב את הרישיון שלו, וזו הסיבה ששכבת השירות המתארחת קיימת ושהיא מתומחרת. ל-SingVL_S1_4B אין תנאים כלל, וזה אינו זהה לרישיון מתירני: בהיעדר הענקה מפורשת, לאיש מחוץ ל-inclusionAI אין הרשאה להשתמש בו באופן מסחרי, ובדיקה משפטית תעצור שם.

היכן שההחלטה נוחתת

אם המשימה היא למצוא דברים — לספור מלאי, לאתר רכיב, לקרוא פריסה לתיבות, להצביע על ידית — Moondream 3 הוא היחיד מבין השניים שמסוגל לעשות זאת, ונתוני סצנות הקהל שלו הם הסיבה להעדיף אותו על פני מודל ראייה כללי למשימה הזו. יש לו גם מחירון, רישיון, מסלול מקומי ושנה שבה אנשים אחרים משתמשים בו.

אם התפקיד הוא להכריע — שער, מיון או סף על טקסונומיה קבועה שבה מספר שימושי יותר ממשפט — העיצוב של SingVL_S1_4B הוא ההתאמה הטובה יותר, והפלט שלו מסיר מחלקה שלמה של ניתוח במורד הזרם. אבל "התאמה טובה יותר" היא אמירה על ארכיטקטורה ביום השני לשחרור בלי רישיון, ויש לקרוא אותה כסיבה לעקוב ולא כסיבה לבנות.

צוות שרוצה לבחון את תבנית ההחלטה כבר עכשיו, במקום להמתין ש-inclusionAI תסיים את הניירת, יכול לפנות אליו היום: OrcaRouter מגיש את TypeSafe Jev 1.14 — typesafe/jev-1.14, $0.042 למיליון אסימוני קלט — באותו מפתח כמו יותר מ-200 מודלים אחרים, במחיר המחירון של הספק עם 0% תוספת, כך ששינוי מחיר מכל ספק נכנס לתוקף באותו יום. Sing VL S1 אינו נמצא ב-OrcaRouter ואין לו אירוח בשום מקום, ולכן זו אינה טענת זמינות; זו הדרך הזולה יותר לגלות אם פלטי הסתברות מנצחים תיבות על הנתונים שלכם. אם כן, שובו אל הצ'קפוינט כשיהיו לו תנאים. אם לא, חסכתם GPU ובדיקה משפטית.

שני המודלים ימשיכו להיות מוזכרים באותה נשימה כי שניהם נמנעים מממשק הצ'אט. זהו דמיון שטחי. מתחת לפני השטח, האחד הוא מאתר והשני הוא מדרג, והפייפליין שאתה בונה כבר יודע איזה משניהם הוא צריך.