Molmo2-4B vs Moondream 3: Satu Opsi Hosted Berakhir pada 13 November

Ada tanggal yang melekat pada perbandingan ini, dan jaraknya tinggal satu minggu. Moondream Cloud — sisi inferensi dan Lens dari bisnis ini — tutup pada 13 November 2026, tiga puluh hari setelah Moondream mengumumkan bahwa perusahaan itu diakuisisi oleh Prime Intellect. Kredit yang sudah dibeli tetapi belum terpakai dikembalikan. Jika Anda membangun di atas endpoint hosted Moondream 3, pertanyaan praktisnya bukan lagi "Molmo2-4B atau Moondream 3", melainkan "kumpulan bobot terbuka mana yang saya jalankan sendiri." Kedua model tetap bertahan setelah penutupan. Hanya satu di antaranya yang pernah punya API hosted yang bisa hilang.

Perlu tepat mengenai Moondream mana yang dibandingkan, karena nama itu digunakan secara longgar. Moondream 3 Preview muncul di Hugging Face pada September 2025. Rilis saat ini adalah Moondream 3.1, yang diterbitkan pada 7 Juli 2026 sebagai moondream3.1-9B-A2B, dan itulah checkpoint yang artikel ini anggap sebagai "Moondream 3." Molmo2-4B adalah pihak lainnya: diumumkan oleh Allen Institute for AI pada 11 Desember 2025, bobotnya tersedia pada 14 Desember, Apache 2.0 pada bobot dengan peringatan eksplisit bahwa data pelatihannya hanya untuk penggunaan penelitian akademis dan nonkomersial. Model itu belum pernah memiliki API yang dihosting dari Ai2, dan ternyata itu penting.

Yang benar-benar terkini di sisi Molmo bukanlah sebuah rilis. Pada 9 Oktober 2026, arsitektur Molmo2 digabungkan ke Transformers upstream dan dirilis dalam v5.20.0 pada 15 Oktober, sehingga model tersebut tidak lagi memerlukan {{1}}trust_remote_code=True{{/1}}. Pada 5 November, Ai2 menerbitkan {{2}}Molmo2-4B-tb{{/2}}, sebuah fine-tune dari checkpoint ini untuk robot penumpuk balok. Keduanya tidak membuat {{3}}Molmo2-4B{{/3}} menjadi baru, dan keduanya tidak mengubah footprint-nya.

Apa yang bertahan, dan apa yang tidak

Bobotnya tidak akan ke mana-mana. Moondream merilis moondream3.1-9B-A2B di bawah Moondream Model License 1.0 dan menerbitkan Photon, mesin inferensinya sendiri, untuk deployment lokal pada GPU NVIDIA Ampere atau yang lebih baru dan Apple Silicon. Lisensi tersebut mengizinkan penggunaan komersial, fine-tuning, kuantisasi, redistribusi, deployment edge, dan VPC yang dikendalikan pelanggan. Yang dilarang adalah satu hal spesifik: menyediakan layanan Moondream ter-hosting serbaguna kepada pihak ketiga tanpa lisensi komersial terpisah.

Klausul itulah sebabnya penghentian layanan ini lebih penting daripada yang terlihat pada awalnya. Tim yang selama ini memanggil Moondream Cloud API tidak bisa begitu saja menyiapkan sendiri endpoint yang sama untuk pelanggan mereka. Mereka dapat menjalankan Moondream di dalam produk mereka sendiri, dan mereka dapat menjalankannya di infrastruktur yang mereka kendalikan, tetapi "{{1}}Moondream sebagai layanan{{/1}}" justru persis yang dicadangkan oleh lisensi. Jika endpoint itu adalah produknya, 13 November adalah peristiwa lisensi dan bukan sekadar migrasi.

Molmo2-4B tidak memiliki jebakan yang setara, karena tidak pernah ada versi yang dihosting untuk hilang. Lisensi bobotnya adalah Apache 2.0, dan pembatasannya justru terletak pada pernyataan data: kartu Ai2 menyatakan bahwa model tersebut "dilatih pada kumpulan data pihak ketiga yang hanya boleh digunakan untuk penelitian akademis dan nonkomersial," dan mengarahkan Anda untuk meninjau sumbernya. Tidak ada dari kedua model ini yang benar-benar bersih untuk "langsung dirilis" — yang satu membatasi apa yang dapat Anda tawarkan, yang lain membatasi apa yang didukung oleh silsilah pelatihannya.

Dua mesin berbeda di baliknya

• Parameter — Molmo2-4B adalah 4,850,869,200 dense; Moondream 3.1 berjumlah 9,0B total dengan 2,0B aktif per token, campuran delapan expert dengan routing top-2 ditambah satu expert bersama.

• Ukuran bobot — 19,42 GB safetensors float32 untuk Molmo2-4B, empat shard; Moondream 3.1 didistribusikan untuk Photon dan melalui Hugging Face, dengan vendor menekankan jejak runtime yang kecil alih-alih unduhan besar.

Konteks — 36,864 posisi untuk Molmo2-4B; 32,768 token untuk Moondream 3.1.

• Cakupan input — Molmo2-4B menerima gambar, multi-gambar, dan video; Moondream 3.1 menerima satu gambar per panggilan dan tidak memiliki jalur video native.

• {{1}}Kontrak keluaran{{/1}} — Molmo2-4B mengembalikan titik yang diskalakan ke 0–1000 dari dimensi gambar, dengan stempel waktu dalam mode video dan regex yang didokumentasikan untuk penguraian; {{2}}Moondream 3.1 mengekspos empat keterampilan bernama — query, detect, point, caption — yang masing-masing mengembalikan JSON terstruktur{{/2}}.

• Lisensi — bobot Apache 2.0 dengan catatan data pihak ketiga untuk Molmo2-4B; Lisensi Model Moondream 1.0 untuk Moondream 3.1.

Baris keluaran adalah perbedaan yang paling menarik dan paling jarang dibahas. Poin-poin Molmo2-4B adalah aliran koordinat mentah yang Anda parse dan pascaproses. Keterampilan Moondream 3.1 adalah kontrak API: detect mengembalikan objek, point mengembalikan titik, caption mengembalikan caption, dan bentuknya tidak berubah-ubah tergantung prompt. Yang satu adalah model yang Anda bangun di atasnya; yang lain adalah layanan yang Anda panggil. Perbedaan desain itu adalah prediktor yang lebih baik untuk menentukan mana yang cocok dengan basis kode Anda daripada baris benchmark mana pun.

Skor yang tidak berbagi harness

Moondream menerbitkan tabel substansial untuk 3.1, dan tabel itu layak dikutip secara persis karena sebagian besar ringkasan membulatkannya. Dilaporkan oleh vendor, semuanya berdasarkan evaluasi Moondream sendiri: [email protected] deteksi COCO 81.46, ODinW-13 93.94, LVIS 67.4, Dense200 74.61, SKU-110K 52.77, CrowdHuman 74.5, RefCOCO-M 87.1, HumanRef 70.39, DOTA-v2 59.63, CountBench 90.35, TallyQA 74.86, PixMo-Count 88.68, ChartQA 86.01 dan DocVQA 88.6, dengan rata-rata yang dinyatakan sebesar 77.9. Postingan yang sama melaporkan 34.2 permintaan per detik dan latensi token pertama sekitar 20–30 ms di Cloudflare Workers AI, dengan panggilan titik sekitar 145 ms secara end-to-end.

Molmo2-4B melaporkan satu agregat: rata-rata 62,8 pada 15 tolok ukur akademik, dalam tabel yang menempatkannya di belakang saudara 8B pada 63,1 dan sejajar dengan Qwen3-VL-4B pada 58,1, InternVL3.5-4B pada 53,4, dan Eagle2.5-8B pada 60,7, sementara model tertutup dalam tabel yang sama berada pada 70,0 untuk Gemini 3 Pro dan 70,6 untuk GPT-5.

Kedua rata-rata itu tidak dapat dibandingkan. Keduanya mencakup tugas yang berbeda, rata-rata Moondream sangat berbobot pada deteksi dan penghitungan yang merupakan kekuatannya, dan tidak ada vendor yang menjalankan modelnya pada rangkaian pengujian pihak lain. Siapa pun yang menyajikan 77.9 berbanding 62.8 sebagai kemenangan enam poin sedang membandingkan dua ujian yang berbeda dan menyebutnya sebagai skor.

Jumlah yang diperhatikan kedua vendor

Penghitungan adalah satu tempat di mana klaim kedua model benar-benar tumpang tindih, dan di mana pembacaan yang jujur terasa tidak nyaman bagi keduanya. Moondream melaporkan CountBench 90,35 dan PixMo-Count 88,68. Pengumuman Ai2 menyatakan bahwa keluarga Molmo 2 memimpin model berbobot terbuka dalam penghitungan video, lalu sekaligus mengakui bahwa tidak ada model dalam evaluasinya yang mencapai akurasi 40%. Pernyataan-pernyataan itu tidak saling bertentangan — yang satu adalah penghitungan objek padat pada gambar terkurasi, yang lain adalah penghitungan lintas video — tetapi keduanya berarti "baik dalam menghitung" bukanlah klaim yang dapat diberlakukan begitu saja di mana-mana. Tentukan dulu pengujiannya sebelum Anda mempercayai angkanya.

Jika Anda sedang memutuskan minggu ini

Mulailah dari tempat permintaan akan dijalankan. Jika Anda sebelumnya memanggil Moondream Cloud API, migrasinya kini menjadi proyek self-hosting, dan lisensi menentukan apakah Anda dapat mengeksposnya kembali. Jalankan Photon secara lokal, pertahankan Moondream di dalam produk Anda, dan jangan membangun ulang endpoint untuk pihak ketiga tanpa lisensi komersial.

Jika video termasuk dalam cakupan, Moondream 3.1 sudah tersedia. Model ini menerima satu gambar per panggilan, dan tidak ada struktur keterampilan secanggih apa pun yang bisa mengatasinya. Default 384 frame Molmo2-4B pada 2 fps adalah alasan untuk menerima unduhan float32 sebesar 19.42 GB dan menurunkan presisinya sebelum serving.

Jika pipeline Anda menginginkan koordinat tetapi bukan paragraf, keduanya bisa melakukannya, dan pilihannya menjadi soal pengemasan: aliran titik bertag Molmo2-4B dengan regex milik Anda sendiri, atau skill titik Moondream 3.1 yang mengembalikan JSON. Yang kedua lebih sedikit pekerjaan hari ini dan membawa kewajiban lisensi besok.

Bagi tim yang menggunakan Moondream sebagai salah satu dari beberapa model visi terkelola alih-alih sebagai produknya, migrasi ini tidak sedramatis kedengarannya: OrcaRouter meneruskan harga daftar milik penyedia sendiri tanpa tambahan markup untuk lebih dari 200 id model, dengan failover otomatis saat endpoint upstream menurun, sehingga mengganti satu panggilan visi terkelola dengan yang lain tidak berarti kontrak kedua atau klien yang ditulis ulang. Baik Moondream 3.1 maupun Molmo2-4B tidak ada dalam katalog itu — keduanya adalah bobot yang dihosting sendiri — tetapi bagian lain dari stack biasanya ada.

Hal paling jelas yang bisa dikatakan tentang pasangan ini adalah bahwa ini tidak pernah menjadi pertarungan yang adil dan sekarang menjadi pertarungan yang lebih kecil. Moondream 3.1 adalah API visi yang cepat dan terkemas dengan baik, dengan lisensi yang menyisihkan bisnis layanan untuk pemiliknya. Molmo2-4B adalah rilis penelitian dengan keluaran titik yang native untuk video dan tanpa pengemasan sama sekali. Penghentian itu tidak membuat yang satu lebih baik daripada yang lain. Ini hanya menghilangkan pilihan untuk tidak memilih.