SingVL_S1_4B vs Moondream 3: Koordinat atau Probabilitas

Kedua model ini menjanjikan struktur alih-alih prosa, dan di situlah kemiripannya berakhir. Moondream 3 menjawab dalam koordinat: minta ia menemukan orang-orang dalam sebuah foto dan ia mengembalikan kotak berlabel, tanyakan di mana pegangannya dan ia mengembalikan titik, minta keterangan gambar dan ia mengembalikan satu kalimat. SingVL_S1_4B menjawab dalam probabilitas: berikan pilihan dan ia mengembalikan angka untuk setiap pilihan, berikan sebuah pernyataan dan ia mengembalikan peluang pernyataan itu benar. Yang satu memberi tahu Anda di mana sesuatu berada. Yang lain memberi tahu Anda seberapa yakinnya. Memilih di antara keduanya adalah pertanyaan tentang jawaban mana dari kedua jawaban tersebut yang memang selalu dibutuhkan pipeline Anda, dan keduanya jarang saling menggantikan.

Dua bentuk "output terstruktur"

Moondream 3 adalah model visi mixture-of-experts — 9B parameter total, 2B aktif — yang menurut vendor, Moondream, dirancang untuk penalaran visual dan deteksi dengan biaya yang ramah penerapan. Empat kemampuan bersifat native, bukan melalui prompt: query untuk tanya jawab visual, detect untuk kotak kosakata terbuka, point untuk titik pusat, dan caption. Keempatnya mengembalikan output terstruktur, bukan teks percakapan, dan bobotnya gratis untuk diunduh serta dijalankan secara lokal melalui mesin inferensi milik vendor, Photon, pada GPU NVIDIA dari Ampere ke atas atau pada Apple silicon. Model ini muncul sebagai pratinjau pada September 2025 dan digantikan oleh Moondream 3.1 pada Juli 2026, yang merupakan generasi terkini dari arsitektur yang sama.

SingVL_S1_4B adalah model keputusan, diunggah oleh inclusionAI pada 11 November 2026 tanpa pengumuman. Model ini menerima sebuah state — teks, JSON, atau hingga empat gambar — dan kamus pertanyaan bernama, yang masing-masing mendeklarasikan tipe dan jawaban kandidatnya. Choice mengembalikan probabilitas per opsi, noul mengembalikan probabilitas bahwa proposisi ya/tidak berlaku, score mengembalikan probabilitas per tingkat di seluruh dua hingga sepuluh tingkat terurut ditambah tingkat yang diharapkan. Satu forward pass per permintaan, tanpa pembuatan token, tanpa keluaran bentuk bebas dalam bentuk apa pun.

Secara konkret: beri Moondream 3 sebuah foto gudang dan kata "pallet", dan ia akan memberikan kotak-kotak. Beri SingVL_S1_4B foto yang sama dengan pertanyaan "apakah bingkai ini aman untuk dikirim" serta kandidat ya dan tidak, dan ia akan memberikan 0,91 dan 0,09. Keduanya terstruktur. Tidak satu pun dapat menghasilkan keluaran yang lain.

Untuk apa model 9B sebenarnya digunakan

Materi rilis Moondream sendiri luar biasa terbuka tentang keterbatasan benchmark, lalu tetap menerbitkan kumpulan data yang padat. Pada deteksi dengan [email protected], angka yang penting adalah COCO sebesar 81.46, ODinW-13 sebesar 93.94, Dense200 sebesar 74.61, dan SKU-110K sebesar 52.77 — dua yang terakhir adalah kumpulan adegan padat yang biasanya membuat model visi umum kolaps. Deteksi referring mencapai 87.1 pada RefCOCO-M. Dibandingkan dengan itu, LVIS pada 67.4 dan HumanRef pada 70.39 adalah baris tempat model ini kalah dari pesaing, yang justru dicantumkan vendor alih-alih disembunyikan.

Profil itu — kuat dalam deteksi padat dan kosakata terbuka, lebih lemah dalam perujukan berbutir halus yang justru dimenangkan oleh model spesialis — adalah yang diperoleh dari MoE dengan 2B parameter aktif. Model ini cepat karena sebagian besar parameternya tidak digunakan per token, dan akurat dalam menghitung serta melokalisasi karena kemampuan itu dilatih sebagai keterampilan utama, bukan muncul dari captioning.

Bentuk komersialnya perlu dicatat karena ini kebalikan dari peluncuran riset. Bobotnya gratis di bawah Moondream Model License, menjalankannya secara lokal tidak memerlukan kunci API, dan layanan hosted diberi harga per token: $0.30 per juta token input dan $1.00 per juta token output untuk real-time, menjadi setengahnya, $0.15 dan $0.50, untuk batch. Ada tier gratis, playground, jalur lokal yang didokumentasikan, dan teks lisensi yang dapat Anda baca. Tidak ada yang ambigu tentang rilis ini.

Model 4,5B itu sebenarnya untuk apa

Kartu SingVL_S1_4B mempublikasikan tabel "Public Decision Index 0.3": 69,76 pada panel Text dan 73,94 pada Vision, dibandingkan dengan TypeSafe Jev 1.14 pada 60,70 teks, StartLux-Decision v1.1 4B pada 67,8 dan 67,90, serta Perplexity Decider Flash v1.2 pada 60,1 dan 72,5. Baris per-dataset menunjukkan dari mana agregat berasal — InfographicVQA 96,31, Winoground 93,12, ekstraksi informasi kunci 95,82 di bagian atas; MMMU-Pro vision 50,17, R-Bench-M 49,77 dan moderasi meme kebencian 71,64 di bagian bawah.

Itu adalah angka milik vendor sendiri pada papan peringkat yang ikut diformalkan oleh penulisnya sendiri, dihasilkan dengan menilai opsi yang disediakan alih-alih menghasilkan jawaban, dan belum ada yang mereproduksinya. Repositori itu baru berumur dua hari ketika ini ditulis, tidak punya unduhan, tidak menyertakan berkas lisensi, dan tidak ada makalah. Kit reproduksi publik Decision Index tidak menunjukkan kiriman dari model ini.

Jadi klaim yang dapat digunakan itu sempit dan struktural, bukan numerik: satu forward pass tunggal yang mengembalikan probabilitas terkalibrasi per kandidat adalah primitif yang berbeda dari model yang mengembalikan koordinat atau teks. Itu adalah primitif yang Anda inginkan ketika keputusan hilir berupa ambang batas — ketika seseorang sudah memutuskan bahwa di atas 0,8 Anda bertindak dan di bawah 0,3 Anda melakukan eskalasi. Itu bukan primitif yang Anda inginkan ketika langkah hilir perlu mengetahui di mana.

Tumpang tindihnya lebih kecil daripada yang disiratkan oleh nama kumpulan data bersama.

Kedua kartu bersinggungan dengan visual grounding, dan akan mudah untuk menjajarkan angka lalu menentukan pemenang. Jangan. Tiga ketidakcocokan membuatnya tidak bermakna.

• Bentuk tugas — Skor deteksi Moondream berasal dari mengeluarkan kotak dan mencocokkannya dengan ground truth pada ambang IoU. Skor visi SingVL_S1_4B berasal dari memilih di antara opsi yang ditulis orang lain. Model yang memeringkat kandidat dengan benar bukan berarti model yang dapat melakukan lokalisasi.

• Harness — Moondream melaporkan [email protected] pada set deteksi bernama di bawah pengaturan evaluasinya sendiri. SingVL_S1_4B melaporkan akurasi di dalam suite Decision Index yang dikoreksi terhadap kebetulan dan disesuaikan cakupannya. Kata yang sama, pengukuran yang berbeda.

• Kepengarangan — kedua set dilaporkan oleh vendor. Milik Moondream telah melalui lebih dari setahun pengawasan pihak ketiga dan port komunitas; milik SingVL_S1_4B belum sama sekali. Salah satu dari angka-angka itu telah diperdebatkan secara publik.

Titik di mana keduanya benar-benar dapat dibandingkan adalah tugas yang dapat diungkapkan oleh keduanya: apakah gambar ini mengandung pelanggaran, dan kategori mana. Moondream akan menjawab dengan deteksi atau respons kueri; SingVL_S1_4B dengan distribusi pilihan. Itu adalah eksperimen nyata yang seharusnya dijalankan seseorang, dan itu belum dijalankan.

Sebuah bentuk yang sudah dikerjakan, karena API menjelaskan produknya.

Cara paling jelas untuk melihat perbedaannya adalah dengan menulis permintaan yang akan diterima setiap model untuk pekerjaan yang sama — melakukan triase pada foto pengiriman sebelum foto itu diteruskan ke penilai klaim.

Dengan Moondream 3, pemanggilannya adalah detect(image, "damaged parcel"), dan responsnya berupa daftar objek dengan bounding box dan confidence, atau daftar kosong jika tidak ada yang cocok. Anda mengetahui apakah kerusakan ditemukan dan di mana. Lalu caption(image) memberi Anda satu kalimat yang mendeskripsikan adegan. Dua pemanggilan, dua struktur, keduanya tentang konten.

Dengan SingVL_S1_4B, pemanggilan membawa pertanyaan-pertanyaan dalam permintaan. Satu pertanyaan pilihan menanyakan apakah paket utuh, rusak, atau hilang, dengan tiga kandidat. Pertanyaan noul menanyakan apakah label dapat dibaca. Pertanyaan skor menilai kualitas gambar pada empat tingkat terurut. Respons membawa probabilitas per kandidat untuk setiap pertanyaan dan tingkat yang diharapkan untuk skor. Satu pemanggilan, tiga jawaban, semuanya tentang keyakinan.

Jalur Moondream memberi sistem klaim sesuatu untuk ditampilkan. Jalur SingVL memberinya sesuatu untuk dijadikan dasar percabangan. Tim yang membangun yang pertama akan menganggap yang kedua tidak berguna; tim yang membangun yang kedua akan menganggap yang pertama memerlukan parser yang enggan mereka tulis. Inilah keseluruhan keputusannya, dan itu sudah ditetapkan sebelum benchmark salah satu vendor dibuka.

Menjalankannya juga tidak bisa dibandingkan.

Moondream 3.1 berjalan pada GPU workstation atau laptop Apple melalui Photon, dengan bobot diunduh dari Hub saat pertama kali digunakan dan tidak diperlukan kunci untuk model dasarnya. Tersedia endpoint hosted dengan harga per token yang dipublikasikan, tier gratis, dan quickstart yang terdokumentasi, serta vendor menerbitkan panduan inferensi lokal yang mencakup perangkat keras yang didukung, streaming, finetune, dan penyajian melalui Triton. Setiap jalur terdokumentasi dan setiap harga bersifat publik.

SingVL_S1_4B berjalan di GPU yang Anda sediakan, dari unduhan BF16 9,1 GB, melalui lingkungan Python 3.12 dan server FastAPI yang terikat ke port 8173 yang merespons di POST /v1/systemone. Instruksinya lengkap dan contoh curl berfungsi, yang lebih daripada yang bisa dilakukan kebanyakan rilis senyap. Yang tidak ada adalah opsi hosted apa pun, build terkuantisasi apa pun, integrasi framework apa pun, atau lisensi apa pun yang mengizinkan Anda mendistribusikan ulang apa yang Anda unduh.

Ketiadaan terakhir itu memiliki sisi komersial. Lisensi Moondream adalah lisensi khusus — bukan open source dalam pengertian OSI — dan vendor tersebut secara eksplisit menyatakan bahwa menghosting bobot sebagai layanan cloud memerlukan lisensinya, itulah sebabnya tier yang dihosting ada dan diberi harga. SingVL_S1_4B tidak memiliki ketentuan sama sekali, yang tidak sama dengan permisif: tanpa pemberian izin, tidak ada pihak di luar inclusionAI yang memiliki izin untuk menggunakannya secara komersial, dan tinjauan hukum akan berhenti di situ.

Ke mana keputusan itu bermuara

Jika tugasnya adalah menemukan benda — menghitung stok, menemukan komponen, membaca tata letak ke dalam kotak, menunjuk ke sebuah pegangan — Moondream 3 adalah satu-satunya dari keduanya yang bisa melakukannya, dan angka adegan kerumunannya adalah alasan untuk memilihnya daripada model visi umum untuk pekerjaan itu. Produk ini juga punya daftar harga, lisensi, jalur lokal, dan pengalaman satu tahun digunakan oleh orang lain.

Jika tugasnya adalah memutuskan — sebuah gerbang, triase, ambang batas pada taksonomi tetap yang angka lebih berguna daripada kalimat — desain SingVL_S1_4B lebih cocok, dan outputnya menghilangkan seluruh kelas penguraian hilir. Namun "lebih cocok" adalah pernyataan tentang arsitektur pada hari kedua peluncuran tanpa lisensi, dan itu harus dibaca sebagai alasan untuk mengawasi, bukan alasan untuk membangun.

Tim yang ingin menguji pola keputusan sekarang, alih-alih menunggu inclusionAI menyelesaikan urusan administratif, dapat mencobanya hari ini: OrcaRouter menyediakan TypeSafe Jev 1.14 — typesafe/jev-1.14, $0.042 per juta token input — pada kunci yang sama dengan lebih dari 200 model lain, dengan harga daftar penyedia tanpa markup 0%, sehingga perubahan harga dari vendor mana pun berlaku pada hari yang sama. Sing VL S1 tidak tersedia di OrcaRouter dan tidak memiliki hosting di mana pun, jadi ini bukan klaim ketersediaan; ini adalah cara yang lebih murah untuk mengetahui apakah output probabilitas mengalahkan kotak pada data Anda sendiri. Jika ya, tinjau kembali checkpoint tersebut saat sudah memiliki ketentuan. Jika tidak, Anda telah menghemat satu GPU dan satu tinjauan hukum.

Kedua model akan terus disebut dalam satu tarikan napas karena keduanya menghindari antarmuka chat. Itu adalah kemiripan permukaan. Di baliknya, yang satu adalah locator dan yang satu adalah scorer, dan pipeline yang sedang Anda bangun sudah tahu mana yang dibutuhkannya.