SingVL_S1_4B vs Moondream 3: Coordinate o probabilità

Entrambi questi modelli promettono struttura invece che prosa, ed è qui che finisce la somiglianza. Moondream 3 risponde in coordinate: chiedigli di trovare le persone in una fotografia e restituisce riquadri con etichette, chiedigli dov'è la maniglia e restituisce punti, chiedigli una didascalia e restituisce una frase. SingVL_S1_4B risponde in probabilità: passagli delle opzioni e restituisce un numero per ogni opzione, passagli un'affermazione e restituisce la probabilità che l'affermazione sia vera. Uno ti dice dove si trova qualcosa. L'altro ti dice quanto è sicuro. Scegliere tra i due è una questione di quale di queste due risposte la tua pipeline avrebbe sempre avuto bisogno, e i due raramente si sostituiscono a vicenda.

The two shapes of "structured output" → Le due forme di "output strutturato"

Moondream 3 è un modello visione mixture-of-experts — 9B parametri totali, 2B attivi — che il fornitore, Moondream, descrive come progettato per il ragionamento visivo e il rilevamento a un costo favorevole per il deployment. Quattro competenze sono native anziché indotte tramite prompt: query per la risposta a domande visive, detect per box open-vocabulary, point per i punti centrali e caption. Tutte e quattro restituiscono output strutturati anziché testo conversazionale, e i pesi sono gratuiti da scaricare ed eseguire localmente tramite Photon, il motore di inferenza dello stesso fornitore, su GPU NVIDIA da Ampere in poi o su Apple silicon. Il modello è apparso in anteprima a settembre 2025 ed è stato sostituito da Moondream 3.1 nel luglio 2026, che è la generazione attuale della stessa architettura.

SingVL_S1_4B è un modello decisionale, caricato da inclusionAI l'11 novembre 2026 senza alcun annuncio. Riceve in input uno stato — testo, JSON o fino a quattro immagini — e un dizionario di domande con nome, ciascuna delle quali dichiara un tipo e le relative risposte candidate. Choice restituisce una probabilità per opzione, noul restituisce la probabilità che una proposizione sì/no sia vera, score restituisce una probabilità per livello su un intervallo da due a dieci livelli ordinati, più un livello atteso. Un forward pass per richiesta, nessuna generazione di token, nessun output in forma libera di alcun tipo.

In concreto: se dai a Moondream 3 una foto di un magazzino e la parola "pallet", ti restituisce dei riquadri. Se dai a SingVL_S1_4B la stessa foto con la domanda "questo fotogramma è sicuro da spedire?" e le opzioni candidate sì e no, ti restituisce 0,91 e 0,09. Entrambi producono output strutturati. Nessuno dei due può produrre l'output dell'altro.

A cosa serve davvero il modello 9B

Il materiale di rilascio di Moondream stesso è insolitamente schietto sui limiti dei benchmark, e poi ne pubblica comunque una raccolta densa. Sul rilevamento a [email protected] i numeri che contano sono COCO a 81.46, ODinW-13 a 93.94, Dense200 a 74.61 e SKU-110K a 52.77 — gli ultimi due sono set di scene affollate in cui un modello di visione generale tipicamente collassa. Il rilevamento referenziale si attesta a 87.1 su RefCOCO-M. Rispetto a questi, LVIS a 67.4 e HumanRef a 70.39 sono le righe in cui perde contro un concorrente, che il fornitore stampa anziché nascondere.

Quel profilo — forte sul rilevamento denso e a vocabolario aperto, più debole sul referring fine-grained, dove vince uno specialista — è ciò che si ottiene con la MoE da 2B attivi. Il modello è veloce perché la maggior parte dei suoi parametri non viene usata per token, ed è accurato nel conteggio e nella localizzazione perché queste sono state addestrate come competenze di prim'ordine anziché emergere dal captioning.

Vale la pena notare la struttura commerciale, perché è l'opposto di un rilascio di ricerca. I pesi sono gratuiti secondo la Moondream Model License, eseguirli localmente non richiede una chiave API, e il servizio ospitato ha un prezzo per token: 0,30 $ per milione di input e 1,00 $ per milione di output per il tempo reale, dimezzati a 0,15 $ e 0,50 $ per il batch. C'è un livello gratuito, un playground, un percorso locale documentato e un testo di licenza che puoi leggere. Nulla del rilascio è ambiguo.

A cosa serve realmente il modello 4.5B

La scheda di SingVL_S1_4B pubblica una tabella "Public Decision Index 0.3": 69.76 sul pannello Text e 73.94 su Vision, contro TypeSafe Jev 1.14 a 60.70 su text, StartLux-Decision v1.1 4B a 67.8 e 67.90, e Perplexity Decider Flash v1.2 a 60.1 e 72.5. Le righe per dataset mostrano da dove proviene l'aggregato: InfographicVQA 96.31, Winoground 93.12, estrazione di informazioni chiave 95.82 in cima; MMMU-Pro vision 50.17, R-Bench-M 49.77 e moderazione di meme d'odio 71.64 in fondo.

Quelle sono le cifre del fornitore su una classifica che i suoi stessi autori hanno contribuito a formalizzare, prodotte valutando opzioni fornite anziché generando risposte, e nessuno le ha riprodotte. Il repository aveva due giorni quando è stato scritto questo, ha zero download, non include alcun file di licenza e non esiste alcun paper. Il kit pubblico di riproduzione del Decision Index non mostra alcuna submission da questo modello.

Quindi l'affermazione utilizzabile è ristretta e strutturale anziché numerica: un singolo forward pass che restituisce una probabilità calibrata per candidato è una primitiva diversa da un modello che restituisce coordinate o testo. È la primitiva che vuoi quando la decisione a valle è una soglia — quando qualcuno ha già deciso che sopra 0,8 agisci e sotto 0,3 fai escalation. Non è la primitiva che vuoi quando il passo a valle deve sapere dove.

La sovrapposizione è minore di quanto suggerisca un nome di dataset condiviso.

Entrambe le schede riguardano il grounding visivo, e sarebbe facile allineare i numeri e proclamare un vincitore. Non fatelo. Tre incongruenze lo rendono privo di significato.

• Forma del compito — I punteggi di rilevamento di Moondream derivano dal generare box e dall'abbinarli alla ground truth a una soglia di IoU. I punteggi visivi di SingVL_S1_4B derivano dalla scelta tra opzioni scritte da qualcun altro. Un modello che classifica correttamente i candidati non è per questo un modello in grado di localizzare.

• Harness — Moondream riporta [email protected] su set di rilevamento denominati secondo le proprie impostazioni di valutazione. SingVL_S1_4B riporta l'accuratezza all'interno della suite del Decision Index, corretta per la casualità e adattata alla copertura. Stessa parola, misurazione diversa.

• Attribuzione — entrambi i set sono dichiarati dal fornitore. Quello di Moondream è stato sottoposto per oltre un anno allo scrutinio di terzi e a port della community; quello di SingVL_S1_4B a nessuno dei due. Uno di quei numeri è stato oggetto di discussione pubblica.

Laddove i due potrebbero essere realmente confrontati è un compito che entrambi sanno esprimere: questa immagine contiene una violazione, e quale categoria. Moondream risponderebbe con un rilevamento o una risposta a una query; SingVL_S1_4B con una distribuzione di scelte. È un esperimento reale che qualcuno dovrebbe eseguire, e non è stato eseguito.

Una forma elaborata, perché l'API spiega il prodotto

Il modo più chiaro per vedere la differenza è scrivere la richiesta che ciascun modello riceverebbe per lo stesso compito — valutare in via preliminare una foto di consegna prima che venga inviata a un perito assicurativo.

Con Moondream 3, la chiamata è detect(image, "damaged parcel") e la risposta è una lista di oggetti con bounding box e confidenza, oppure una lista vuota se non è stata trovata alcuna corrispondenza. Si scopre se è stato rilevato un danno e dove. Poi caption(image) restituisce una frase che descrive la scena. Due chiamate, due strutture, entrambe incentrate sul contenuto.

Con SingVL_S1_4B, la chiamata contiene le domande nella richiesta. Una domanda a scelta chiede se il pacco è integro, danneggiato o mancante, con tre candidati. Una domanda noul chiede se l'etichetta è leggibile. Una domanda di punteggio valuta la qualità dell'immagine su quattro livelli ordinati. La risposta contiene una probabilità per candidato per ogni domanda e un livello atteso per il punteggio. Una chiamata, tre risposte, tutte sulla confidenza.

Il percorso Moondream dà a un sistema di gestione sinistri qualcosa da mostrare. Il percorso SingVL gli dà qualcosa su cui diramare. Un team che costruisce il primo troverà il secondo inutile; un team che costruisce il secondo troverà che il primo richiede un parser che non vuole scrivere. Questa è l'intera decisione, ed è già risolta prima che si apra il benchmark di uno qualsiasi dei due fornitori.

Nemmeno eseguirli è comparabile

Moondream 3.1 funziona su una GPU da workstation o su un laptop Apple tramite Photon, con i pesi scaricati dall'Hub al primo utilizzo e nessuna chiave richiesta per il modello base. Esiste un endpoint ospitato con prezzi pubblicati per token, un livello gratuito e una guida rapida documentata, e il fornitore pubblica una guida all'inferenza locale che copre hardware supportato, streaming, finetune e serving tramite Triton. Ogni percorso è documentato e ogni prezzo è pubblico.

SingVL_S1_4B viene eseguito su una GPU fornita da te, da un download BF16 da 9,1 GB, tramite un ambiente Python 3.12 e un server FastAPI associato alla porta 8173 che risponde su POST /v1/systemone. Le istruzioni sono complete e gli esempi curl funzionano, il che è più di quanto riescano a fare la maggior parte dei rilasci silenziosi. Ciò che non esiste è qualsiasi opzione ospitata, qualsiasi build quantizzata, qualsiasi integrazione con framework o qualsiasi licenza che ti consenta di ridistribuire ciò che hai scaricato.

Quell'ultima assenza ha un risvolto commerciale. La licenza di Moondream è personalizzata — non open source nel senso OSI — e il fornitore è esplicito sul fatto che ospitare i pesi come servizio cloud richiede la sua licenza, motivo per cui esiste il livello ospitato ed è a pagamento. SingVL_S1_4B non ha alcun termine, il che non equivale a permissivo: senza una concessione, nessuno al di fuori di inclusionAI ha il permesso di usarlo commercialmente, e una revisione legale si fermerà lì.

Dove approda la decisione

Se il compito è trovare oggetti — contare le scorte, localizzare un componente, leggere un layout in riquadri, indicare una maniglia — Moondream 3 è l'unico dei due che può farlo, e i suoi numeri sulle scene affollate sono il motivo per preferirlo a un modello di visione generale per quel lavoro. Ha anche un listino prezzi, una licenza, un percorso locale e un anno di utilizzo da parte di altre persone.

Se il compito è decidere — un gate, un triage, una soglia su una tassonomia fissa in cui un numero è più utile di una frase — il design di SingVL_S1_4B è la soluzione più adatta, e il suo output elimina un'intera classe di parsing a valle. Ma "soluzione più adatta" è un'affermazione sull'architettura al secondo giorno di un rilascio senza licenza, e va letta come un motivo per osservare, non come un motivo per costruire.

Un team che vuole testare subito il pattern decisionale, invece di aspettare che inclusionAI completi le pratiche burocratiche, può chiamarlo oggi: OrcaRouter mette a disposizione TypeSafe Jev 1.14 — typesafe/jev-1.14, $0,042 per milione di token di input — sulla stessa chiave di oltre 200 altri modelli, al prezzo di listino del provider con 0% di ricarico, così una variazione di prezzo da qualsiasi fornitore arriva lo stesso giorno. Sing VL S1 non è su OrcaRouter e non è ospitato da nessuna parte, quindi questa non è una dichiarazione di disponibilità; è il modo più economico per scoprire se gli output di probabilità battono le box sui tuoi dati. Se lo fanno, rivaluta il checkpoint quando avrà dei termini. Se non lo fanno, hai risparmiato una GPU e una revisione legale.

I due modelli continueranno a essere menzionati insieme perché entrambi evitano l'interfaccia chat. Questa è una somiglianza superficiale. Sotto la superficie, uno è un localizzatore e l'altro un assegnatore di punteggi, e la pipeline che stai costruendo sa già di quale dei due ha bisogno.