Molmo2-4B 対 Moondream 3：ホステッドオプションの1つが11月13日に終了

この比較には日付が付いており、それは1週間後です。Moondream Cloud — 推論とLensの事業側 — は2026年11月13日に終了します。これはMoondreamがPrime Intellectに買収されたと発表してから30日後のことです。未使用の購入済みクレジットは返金されます。Moondream 3のホスト型エンドポイント上で構築していたなら、実務上の問いは「Molmo2-4BかMoondream 3か」ではなくなり、「どのオープンウェイト群を自分で動かすか」になりました。両モデルともサービス終了後も存続します。ホスト型APIを失う立場だったのは、そのうち片方だけです。

どのMoondreamが比較対象なのかを正確にしておく価値がある。というのも、この名前はゆるく使われているからだ。Moondream 3 Previewは2025年9月にHugging Faceで公開された。現在のリリースはMoondream 3.1で、2026年7月7日にmoondream3.1-9B-A2Bとして公開されており、本記事が「Moondream 3」として扱うのはこのチェックポイントだ。Molmo2-4Bはもう一方の側で、2025年12月11日にAllen Institute for AIが発表し、重みは12月14日に公開された。重みはApache 2.0だが、学習データは学術・非商用研究用途に限られるという明示的な警告が付いている。Ai2によるホスト型APIは一度も存在せず、この点が実は重要になる。

Molmo側で本当に最近と言えるのは、リリースではない。2026年10月9日にMolmo2アーキテクチャが上流のTransformersにマージされ、10月15日にv5.20.0として出荷された。これにより、このモデルはもはやtrust_remote_code=Trueを必要としない。11月5日にはAi2がMolmo2-4B-tbを公開した。これはこのチェックポイントをブロック積み上げロボット向けにファインチューニングしたものだ。どちらもMolmo2-4Bを新しいものにするわけではなく、そのフットプリントを変えるものでもない。

生き残るもの、そして生き残らないもの

モデルの重みはなくなりません。Moondreamは、Moondream Model License 1.0の下でmoondream3.1-9B-A2Bを提供し、Ampere以降のNVIDIA GPUおよびApple Siliconでのローカルデプロイ向けに、独自の推論エンジンであるPhotonを公開しています。このライセンスは、商用利用、ファインチューニング、量子化、再配布、エッジデプロイ、および顧客が管理するVPCを許可しています。禁止しているのは次の一点だけです。別途の商用ライセンスなしに、汎用のホスト型Moondreamサービスを第三者へ提供することです。

その条項こそが、このシャットダウンが一見した以上に重要である理由だ。Moondream Cloud APIを呼び出していたチームは、顧客向けに同じエンドポイントを自分たちで簡単に立ち上げることはできない。自社製品の中でMoondreamを動かすことはでき、自分たちが管理するインフラ上で動かすこともできるが、「Moondream as a service」こそがまさにライセンスが留保しているものだ。エンドポイントが製品そのものであったなら、11月13日は単なる移行ではなく、ライセンス上の出来事である。

Molmo2-4Bには同等の落とし穴はありません。失うべきホスト版がそもそも存在しなかったからです。重みのライセンスはApache 2.0で、制約は代わりにデータに関する記述の中にあります。Ai2のカードには、このモデルは「学術利用および非商用の研究利用のみを条件とする第三者データセットで学習されている」と記されており、その情報源を確認するよう促しています。どちらのモデルも「そのまま出荷すればよい」というわけではありません。一方は提供できる内容を制限し、もう一方は学習の系譜が裏付ける範囲を制限しています。

内部では2つの異なるマシンが動いている

• パラメータ — Molmo2-4B は 4,850,869,200 の dense モデル。Moondream 3.1 は合計 9.0B で、トークンあたり 2.0B がアクティブ。8 個のエキスパートによる Mixture-of-Experts で、top-2 ルーティングに加えて共有エキスパートを 1 個備える。

• 重みのサイズ — Molmo2-4B は float32 safetensors で 19.42 GB、4つのシャード。Moondream 3.1 は Photon 向けおよび Hugging Face 経由で配布されており、ベンダーは大規模なダウンロードよりも小さなランタイムフットプリントを強調している。

• コンテキスト — Molmo2-4B では 36,864 ポジション、Moondream 3.1 では 32,768 トークン。

• 入力形式 — Molmo2-4B は画像、複数画像、動画を扱います。Moondream 3.1 は1回の呼び出しにつき1枚の画像を扱い、ネイティブの動画経路を持ちません。

• 出力契約 — Molmo2-4B は画像寸法に対して 0～1000 にスケーリングされた点を返し、動画モードではタイムスタンプを伴い、解析用の正規表現が文書化されている。Moondream 3.1 は query、detect、point、caption という 4 つの名前付きスキルを公開しており、それぞれが構造化 JSON を返す。

• ライセンス — Molmo2-4B は Apache 2.0 の重みで、第三者データに関する注意事項あり、Moondream 3.1 は Moondream Model License 1.0。

出力行は最も興味深い違いであり、最も議論されていない。Molmo2-4B の points は、自分でパースして後処理する生の座標ストリームだ。Moondream 3.1 の skills は API 契約である。detect はオブジェクトを返し、point は点を返し、caption はキャプションを返し、その返り値の形はプロンプトによって変わらない。片方はその上に構築するモデルであり、もう片方は呼び出すサービスだ。この設計の違いは、どちらが自分のコードベースに合うかを、どのベンチマーク行よりもよく予測する。

ハーネスを共有しないスコア

Moondreamは3.1についてかなりの規模の表を公開しており、多くの要約が数値を丸めてしまうため、正確に引用する価値がある。ベンダー報告によるもので、すべてMoondream自身の評価に基づく：COCO検出[email protected]は81.46、ODinW-13は93.94、LVISは67.4、Dense200は74.61、SKU-110Kは52.77、CrowdHumanは74.5、RefCOCO-Mは87.1、HumanRefは70.39、DOTA-v2は59.63、CountBenchは90.35、TallyQAは74.86、PixMo-Countは88.68、ChartQAは86.01、DocVQAは88.6で、公称平均は77.9である。同じ投稿では、Cloudflare Workers AI上で毎秒34.2リクエスト、最初のトークンまでのレイテンシが約20～30 ms、ポイント呼び出しはエンドツーエンドで約145 msと報告されている。

Molmo2-4Bは1つの集計値を報告している。15の学術ベンチマークにわたる平均62.8で、その表では8Bの兄弟モデルの63.1に後れをとり、Qwen3-VL-4Bの58.1、InternVL3.5-4Bの53.4、Eagle2.5-8Bの60.7と並ぶ一方、同じ表のクローズドモデルはGemini 3 Proが70.0、GPT-5が70.6となっている。

その2つの平均値は比較できない。対象としているタスクが異なり、Moondreamの平均値は同モデルが最も得意とする検出と計数に大きく偏っており、どちらのベンダーも相手のスイートで自社モデルを実行していない。77.9 対 62.8 を6ポイントの勝利として提示する人は、異なる2つの試験を比べてそれをスコアと呼んでいるにすぎない。

両方のベンダーが気にかけている件数

カウントは、2つのモデルの主張が本当に重なり合う唯一の領域であり、正直に読むと双方にとって居心地の悪いものになる。MoondreamはCountBenchで90.35、PixMo-Countで88.68を報告している。Ai2の発表では、Molmo 2ファミリーが動画カウントにおいてオープンウェイトモデルをリードしていると述べたうえで、同じ呼吸で、その評価内のどのモデルも40%の精度に達していないと認めている。これらの記述は矛盾していない——一方は厳選された画像における密な物体のカウントであり、もう一方は動画全体にわたるカウントだ——しかし、それらは「カウントが得意」がそのまま持ち運べる主張ではないことを意味している。数字を信じる前に、テストを特定せよ。

今週決めるのであれば

リクエストが実行される場所を起点にしてください。Moondream Cloud API を呼び出していた場合、移行はセルフホスティングプロジェクトになり、それを再公開できるかどうかはライセンスが決めます。Photon をローカルで実行し、Moondream を製品内に保持してください。商用ライセンスなしで第三者のためにエンドポイントを再構築しないでください。

動画が対象範囲に含まれるなら、Moondream 3.1 が登場している。1回の呼び出しにつき1枚の画像しか扱えず、どんなにスキル構造を工夫してもこの制約は回避できない。Molmo2-4B が2 fpsで384フレームをデフォルトとする点こそが、19.42 GBのfloat32ダウンロードを受け入れ、提供前に精度を落として変換すべき理由である。

パイプラインが段落ではなく座標を必要としているなら、どちらでも対応できます。選択はパッケージングの話になります。自分で管理する正規表現で処理するMolmo2-4Bのタグ付きポイントストリームを使うか、JSONを返すMoondream 3.1のポイントスキルを使うかです。後者は今日は手間が少ないものの、明日にはライセンス義務を伴います。

Moondream を製品としてではなく、複数あるホスト型ビジョンモデルの一つとして利用していたチームにとって、移行は聞こえるほど劇的ではない。OrcaRouter はプロバイダー自身の定価を上乗せなしで提供し、200 を超えるモデル ID にわたり、自動フェイルオーバーを上流エンドポイントの劣化時に行うため、あるホスト型ビジョン呼び出しを別のものに置き換えても、二つ目の契約やクライアントの書き直しは不要だ。Moondream 3.1 も Molmo2-4B もそのカタログにはない — どちらもセルフホスト型の重みである — が、スタックの残りは通常そうだ。

この組み合わせについて最も明快に言えるのは、それが公平な勝負だったことは一度もなく、今ではさらに小さな勝負になっているということだ。Moondream 3.1 は高速でよくパッケージ化されたビジョンAPIであり、そのライセンスはサービス事業を所有者のために留保している。Molmo2-4B は動画ネイティブのポイント出力を備えた研究向けリリースで、パッケージングは一切ない。その終了は、一方を他方より優れたものにはしない。ただ、選ばないという選択肢を奪うだけだ。