L'endpoint ospitato di Moondream 3 Preview chiude il 13 novembre

Moondream 3 Preview è stato rilasciato il 18 settembre 2025, e l'endpoint che lo serve smette di rispondere il 13 novembre 2026. Queste sono le due date che contano in questa storia, e solo la seconda è urgente. Il modello in sé non viene ritirato — i pesi restano su Hugging Face e la licenza non cambia — ma il percorso ospitato che la maggior parte dei team chiama effettivamente, condiviso da Moondream 3 Preview e dal suo successore Moondream 3.1, viene disattivato, e l'avviso lo diceva in una sola riga: il 13 novembre 2026, 30 giorni da oggi, il Moondream Cloud chiuderà, con rimborso dei crediti acquistati non utilizzati.

Quell'avviso è comparso insieme alla sua motivazione. M​oondream 3 Preview e il suo successore M​oondream 3.1fanno ora parte di Prime Intellect, che il 13 ottobre 2026 ha annunciato di aver acquisito M​oondream, con i fondatori Vik Korrapati e Jay Allen che si uniscono al team per guidare e scalare l'inferenza. Il post di M​oondream è datato 14 ottobre. Non è un lancio e non va raccontato come tale. È un cambio di proprietà con una scadenza di migrazione perentoria, e se hai una chiamata di produzione verso api.moondream.ai in qualsiasi punto del tuo stack, hai circa quattro settimane dalla data di quel post per decidere cosa la sostituirà.

Cosa ha effettivamente acquistato Prime Intellect

L'annuncio è insolitamente esplicito riguardo alle due cose che sono passate di mano, e nessuna delle due è un checkpoint di modello. La prima è il team: Korrapati e Allen si stanno unendo per eseguire l'inferenza e per accelerare il lavoro multimodale, inclusi visione e uso del computer. La seconda è Photon, il motore di inferenza di Moondream, che compila ogni modello in un singolo programma GPU usando kernel personalizzati e, dietro di essi, un compilatore megakernel.

Leggi l'impostazione e capisci il perché. Il post di Prime parte dal serving, non dall'architettura — la sua tesi a favore dell'accordo è che "è nel serving che si decide l'utilità di un modello". I numeri che cita sono numeri di throughput: M​oondream 3.1 a 34 richieste al secondo, descritto come circa 24 volte più veloce del successivo modello aperto più accurato; più di 60 inferenze M​oondream al secondo su una singola H100; risposte in decine di millisecondi. Questi sono i dati di Prime, e Prime ora è la parte che vende l'inferenza, quindi trattali come dichiarati dal fornitore. Ciò che non è un'affermazione del fornitore è la direzione dell'accordo: un'azienda il cui prodotto era un modello di visione ha comprato un motore di inferenza e ha messo i suoi autori a capo dell'inferenza.

Per chiunque abbia un'integrazione con M​oondream, la conseguenza pratica è che i pesi aperti restano aperti e, usando le parole di M​oondream, «continueranno a migliorare, ora a un ritmo molto più rapido». Quello che scompare è il livello di comodità — l'API ospitata e Lens, il prodotto di fine-tuning — che è esattamente il livello su cui molti piccoli team hanno costruito, perché non volevano far girare GPU.

Cos'è davvero M​oondream 3 Preview

Vale la pena ribadirlo, perché un modello rilasciato a settembre 2025 che ora viene superato all'interno di un'acquisizione è un modello che molte squadre stanno conoscendo solo attraverso l'avviso di chiusura. È un mixture-of-experts sparso a granularità fine, 9B parametri totali con 2B attivi per token, inizializzato dal precedente Moondream 2 denso da 2B tramite drop upcycling.

• Architettura — 24 layer, i primi quattro densi e i restanti blocchi feed-forward MoE con 64 esperti e 8 attivati per token, GeGLU, dimensione nascosta 2048.

• Encoder visivo — basato su SigLIP, con concatenazione dei canali multi-crop per un input ad alta risoluzione efficiente in termini di token. Quel dettaglio del tiling sarà importante più avanti.

• Contesto — 32K token utilizzabili, rispetto a circa 2K nella generazione precedente, grazie a un tokenizer SuperBPE personalizzato. Il post di anteprima è schietto nel dire che il post-addestramento non sfrutta ancora pienamente la finestra lunga e che i 32K completi servono principalmente a chi fa fine-tuning.

• Competenze — interrogazione, didascalia, puntamento e rilevamento, tutte native e tutte restituiscono output strutturato. Rilevamento e puntamento sono le due su cui il lancio ha fatto maggiormente affidamento.

• Ragionamento — ibrido. La query viene eseguita in modalità di ragionamento per impostazione predefinita e può essere chiamata con il ragionamento disabilitato per domande semplici ed economiche. L'impostazione di M​oondream è che questo è il ragionamento visivo con ancoraggio: la traccia di ragionamento fa riferimento a regioni specifiche dell'immagine.

• Licenza — la Business Source License 1.1 con Additional Use Grant, che consente l'uso commerciale e in produzione, il fine-tuning, la quantizzazione e la ridistribuzione, e vieta la vendita di un servizio ospitato che espone le capacità di uso generale di Moondream.

L'ultima riga è quella che ha plasmato silenziosamente l'ecosistema, e vale la pena essere precisi al riguardo perché M​oondream 3.1 è passata a uno strumento del tutto diverso — la M​oondream Model License 1.0, efficace dal 7 luglio 2026. La regola è sostanzialmente la stessa ed è formulata in modo più chiaro: se M​oondream è un componente del tuo prodotto sei autorizzato, mentre se l'accesso a M​oondream stesso è il prodotto ti serve una licenza separata. L'auto-hosting, il deployment edge, le VPC controllate dal cliente, l'esecuzione su GPU cloud noleggiate, il fine-tuning come parte di servizi professionali e le API specifiche di dominio che non espongono funzionalità general-purpose sono tutti esplicitamente consentiti. L'inferenza general-purpose gestita dal provider, il fine-tuning general-purpose ospitato e le API condivise che espongono un derivato fine-tuned sono le tre che richiedono un accordo.

Ecco perché l'avviso di chiusura esiste nella forma in cui si presenta. M​oondream non poteva semplicemente cedere il proprio endpoint ospitato a una terza parte — la deroga della licenza riguarda esattamente questo — quindi l'endpoint chiude e la migrazione passa a Prime, che ora ne è proprietario.

I due numeri di cui vale la pena diffidare

La reportistica dei benchmark di M​oondream stessa merita più scrutinio di quanto di solito ne riceva, perché l'azienda è più trasparente sul proprio metodo rispetto alla maggior parte e il metodo fa molto lavoro.

Per l'anteprima, il grafico di lancio ha messo M​oondream 3 Preview contro GPT-5, Gemini 2.5-Flash e C​laude 4 S​onnet. Sulle colonne del rilevamento delle espressioni referenziali il divario è ampio e non è plausibile che sia un artefatto: RefCOCO a 91,1 per l'anteprima contro 75,8 per Gemini 2.5-Flash, 57,2 per GPT-5 e 30,1 per C​laude 4 S​onnet. La precisazione dello stesso M​oondream è la parte importante — i modelli di frontiera non supportano il grounding nativamente, quindi sono stati interrogati tramite un template, e alcuni punteggi dell'anteprima sono stati calcolati su un campione casuale di 100 domande anziché sul benchmark completo. Una query di grounding basata su template rivolta a un modello privo di capacità di grounding misura il prompt engineering tanto quanto misura il modello.

Per M​oondream 3.1 il metodo è ancora più rilevante, e merita di essere detto chiaramente: i punteggi di benchmark pubblicati sono stati prodotti mettendo a punto il modello sullo split di addestramento di ciascun benchmark utilizzando Lens, il prodotto di fine-tuning di M​oondream — LoRA per singolo task, SFT e RL — e poi distillando ciò che quei LoRA avevano appreso di nuovo nei pesi di base, in modo che il checkpoint scaricabile ottenga buoni punteggi senza alcun tuning. Il post su 3.1 lo dice apertamente e osserva persino che la base distillata si colloca appena dietro i singoli LoRA. Si tratta di un flusso di lavoro legittimo e interessante, e non è la stessa cosa di un numero a freddo out-of-the-box, perché ai task in questione sono stati forniti i loro split di addestramento. Se state confrontando 3.1 con un modello che non ha mai visto quegli split, state confrontando un artefatto ottimizzato con uno non ottimizzato.

Niente di tutto questo rende i numeri sbagliati. Rende l'etichettatura portante, che è lo stesso standard che applichiamo a qualsiasi grafico di fornitore.

I tuoi tre percorsi di migrazione

Se l'endpoint ospitato fa parte del tuo stack, la decisione è più ristretta di quanto sembri.

• Self-host con Photon — Photon rimane gratuito e viene eseguito localmente su GPU N​VIDIA da Ampere in poi e su Mac Apple Silicon, con la stessa superficie API di M​oondream Cloud. pip install moondream, carica con local=True, e non è necessaria alcuna chiave API per il modello di base. I pesi vengono scaricati da Hugging Face al primo utilizzo. Questo è il percorso che preserva il tuo codice quasi invariato e sposta il costo da per token a per GPU-ora.

• Migra a Prime — l'avviso dice che M​oondream e Prime ti contatteranno con i prossimi passi e indica Prime per inferenza, fine-tuning o esigenze simili, con contact@moondream.ai per problemi urgenti. Prime è ora l'unico posto in cui il percorso ospitato continua, e verrà eseguito sullo stack di Prime anziché su quello di M​oondream.

• Sostituisci il modello — se M​oondream 3 Preview era nel tuo stack perché era un rilevatore di immagini a tasselli economico e veloce, e non perché avesse qualcosa di specificamente M​oondream, la dismissione è un momento ragionevole per rieseguire il tuo set di valutazione anziché passare automaticamente a una sostituzione equivalente.

La cosa da evitare è la quarta strada, ovvero non fare nulla fino al 12 novembre. I crediti vengono rimborsati, quindi non c'è alcun motivo finanziario per continuare a chiamare un endpoint che sta per smettere di rispondere, e una migrazione che inizia la settimana prima di una scadenza improrogabile è una migrazione in cui scopri da cosa dipendevano davvero i tuoi grounding prompt.

Se il modello su cui scegli di standardizzare finisce per essere uno dei oltre 200 presenti nel catalogo OrcaRouter, una parte di tutto questo diventa più semplice: un'unica chiave e un'unica forma di richiesta per tutti quanti, prezzo di listino del provider passato senza alcun ricarico, e failover automatico quando un upstream peggiora. M​oondream 3 Preview non è in quel catalogo e non lo è nemmeno M​oondream 3.1 — entrambi sono pesi che ospiti tu stesso o a cui accedi tramite Prime — quindi per questa specifica migrazione il livello di routing aiuta con qualunque cosa instraderai in seguito, non con M​oondream stesso. Vale la pena dirlo chiaramente, invece di lasciar intendere il contrario.

Cosa guardare nelle prossime quattro settimane

Tre cose ti diranno più di qualsiasi comunicato stampa. Primo, se Prime pubblicherà un sostituto per l'inferenza di M​oondream Cloud prima del 13 novembre o dopo; l'avviso non fornisce alcuna data, e una lacuna tra la chiusura e un servizio sostitutivo è l'esito che costa di più agli utenti. Secondo, se la licenza di download di M​oondream 3.1 rimane come scritta sotto la nuova proprietà — la restrizione sui servizi ospitati della Model License 1.0 è l'intera ragione per cui il vecchio endpoint deve chiudere anziché essere trasferito, quindi qualsiasi sua revisione cambia ciò che è possibile. Terzo, se il "tasso molto più rapido" di miglioramento promesso da M​oondream produrrà un checkpoint anziché un annuncio; l'ultima versione del modello pubblicata sotto la vecchia azienda è stata la 3.1 il 7 luglio 2026, e le versioni pubblicate da allora sono state versioni Photon e modelli vocali.

Ciò che è già stabilito è la data. M​oondream 3 Preview è disponibile a livello generale sul suo endpoint ospitato da ottobre 2025, ha lasciato il posto a M​oondream 3.1 da tre mesi, e il 13 novembre 2026 la versione ospitata di entrambi smette di essere disponibile. I pesi non vanno da nessuna parte. La comodità sì.

Niente di tutto ciò è ipotetico: i fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.