SingVL_S1_4B 対 Moondream 3：座標か確率か

これらのモデルはどちらも散文ではなく構造を約束しており、似ているのはそこまでだ。 Moondream 3は座標で答える。写真の中の人物を見つけるよう頼めばラベル付きのボックスを返し、取っ手がどこにあるか尋ねれば点を返し、キャプションを求めれば文を返す。 SingVL_S1_4Bは確率で答える。選択肢を渡せば選択肢ごとに数値を返し、文を渡せばその文が真である確率を返す。一方は何かがどこにあるかを教え、もう一方はどれだけ確信しているかを教える。両者のどちらを選ぶかは、あなたのパイプラインがそもそもどちらの答えを必要としていたのかという問題であり、この二つが互いの代わりになることはほとんどない。

「構造化出力」の2つの形

Moondream 3はmixture-of-experts型の視覚モデルで、総パラメータ数9B、アクティブ2Bです。ベンダーのMoondreamは、導入しやすいコストで視覚推論と検出を行うために構築されたと説明しています。4つのスキルはプロンプトで与えるものではなくネイティブに備わっており、視覚的質問応答のquery、オープンボキャブラリのボックス用のdetect、中心点用のpoint、captionがあります。4つとも会話テキストではなく構造化出力を返し、重みは無料でダウンロードでき、ベンダー独自の推論エンジンPhotonを通じて、Ampere以降のNVIDIA GPUまたはAppleシリコン上でローカル実行できます。このモデルは2025年9月にプレビュー版として登場し、2026年7月にMoondream 3.1に置き換えられました。これは同じアーキテクチャの現行世代です。

SingVL_S1_4Bは、inclusionAIが2026年11月11日に予告なしでアップロードした判定モデルである。状態（テキスト、JSON、または最大4枚の画像）と、それぞれが型と候補回答を宣言する名前付き質問の辞書を受け取る。Choiceは選択肢ごとの確率を返し、noulははい/いいえの命題が成立する確率を返し、scoreは2～10個の順序付きレベルにわたるレベルごとの確率と期待レベルを返す。リクエストごとに1回のフォワードパスで、トークン生成も、いかなる種類の自由形式の出力も行わない。

具体的に言うと、Moondream 3 に倉庫の写真と「パレット」という単語を与えると、ボックスを返してくる。SingVL_S1_4B に同じ写真と「このフレームは発送して安全か」という質問、候補として yes と no を与えると、0.91 と 0.09 を返してくる。どちらも構造化されている。どちらも相手の出力を生成することはできない。

9Bモデルは実際には何のためにあるのか

Moondreamのリリース資料は、ベンチマークの限界について異例なほど率直に述べたうえで、それでも詳細な数値群を公開している。[email protected]での検出では、重要な数値はCOCOが81.46、ODinW-13が93.94、Dense200が74.61、SKU-110Kが52.77だ。最後の2つは混雑シーンのデータセットで、一般的な視覚モデルは通常ここで崩れる。参照検出はRefCOCO-Mで87.1。これらに対して、LVISは67.4、HumanRefは70.39で、競合他社に負けている行であり、ベンダーはそれを隠さずに掲載している。

その特性——密な検出とオープン語彙検出に強く、専門特化モデルが優位になる細粒度の参照では弱い——こそが、2BアクティブのMoEがもたらすものだ。このモデルが高速なのは、そのパラメータの大部分がトークンごとに使われないからであり、計数と位置特定において正確なのは、それらがキャプション生成から自然に生じたのではなく、第一級のスキルとして訓練されたからだ。

商業的な形は注目に値する。なぜなら、それは研究用の公開とは正反対だからだ。重みはMoondream Model Licenseの下で無料で提供され、ローカルで実行するのにAPIキーは不要で、ホスト型サービスはトークン単位の課金となっている。リアルタイムでは入力100万トークンあたり0.30ドル、出力100万トークンあたり1.00ドル、バッチではその半額の0.15ドルと0.50ドルになる。無料枠、プレイグラウンド、文書化されたローカル手順、そして読むことのできるライセンス条文がある。このリリースに曖昧な点は何もない。

4.5Bモデルは実際には何を目的としているのか

SingVL_S1_4Bのカードは「Public Decision Index 0.3」という表を公開している。Textパネルで69.76、Visionで73.94であるのに対し、TypeSafe Jev 1.14はtext 60.70、StartLux-Decision v1.1 4Bは67.8と67.90、Perplexity Decider Flash v1.2は60.1と72.5となっている。データセットごとの行を見ると、集計値がどこから来ているかが分かる。上位はInfographicVQA 96.31、Winoground 93.12、キー情報抽出 95.82。下位はMMMU-Pro vision 50.17、R-Bench-M 49.77、ヘイトフル・ミームのモデレーション 71.64である。

これらは、ベンダー自身の著者らが正式化を手助けしたリーダーボード上のベンダー自身による数値であり、回答を生成するのではなく提供された選択肢を採点することで作成されたもので、しかも誰もそれを再現していない。これを書いた時点でリポジトリは作成から2日しか経っておらず、ダウンロード数はゼロ、ライセンスファイルも同梱されておらず、論文も存在しない。Decision Indexの公開再現キットには、このモデルからの提出が示されていない。

したがって、使える主張は数値的なものではなく、狭く構造的なものだ。候補ごとに較正された確率を返す単一のフォワードパスは、座標やテキストを返すモデルとは異なるプリミティブである。下流の決定がしきい値であるとき、つまり、0.8を超えたら行動し、0.3未満ならエスカレーションすると誰かがすでに決めているとき、それが欲しいプリミティブだ。下流のステップが知る必要があるとき、それは欲しいプリミティブではない。下流のステップが知る必要があるのはどこ.

重複は、共通のデータセット名から示唆されるよりも小さい

どちらのカードも視覚的グラウンディングに関わっており、数値を並べて勝者を宣言するのは容易だろう。そうしてはいけない。3つの不一致がそれを無意味にする。

• タスクの形式 — Moondream の検出スコアは、ボックスを出力し、IoU 閾値でそれらを正解データと照合することから得られます。SingVL_S1_4B の視覚スコアは、他者が書いた選択肢の中から選ぶことから得られます。候補を正しく順位付けできるモデルが、それだけでローカライズできるモデルになるわけではありません。

• ハーネス — Moondream は独自の評価設定の下、名前付き検出セットで [email protected] を報告します。SingVL_S1_4B は Decision Index のチャンス補正・カバレッジ調整済みスイート内で精度を報告します。同じ言葉、異なる測定。

• authorship — どちらの数値セットもベンダーによる報告です。Moondream のものは1年以上にわたり第三者の精査とコミュニティによる移植を受けてきましたが、SingVL_S1_4B のものはまったく受けていません。それらの数値のうち1つは、公開の場で議論されてきました。

この2つが本当に比較できるのは、両方とも表現できるタスクにおいてだ。この画像に違反が含まれるか、そしてどのカテゴリか。Moondream は検出またはクエリ応答で答え、SingVL_S1_4B は選択分布で答えるだろう。それは誰かが実行すべき本物の実験であり、まだ実行されていない。

実例となる形。なぜなら、API が製品を説明するからです。

違いを最も明確に確認する方法は、同じ作業——配達写真を損害査定担当者に回す前にトリアージする——について、各モデルが受け取るリクエストを書いてみることです。

Moondream 3 では、呼び出しは detect(image, "damaged parcel") で、応答はバウンディングボックスと信頼度を持つオブジェクトのリスト、何も一致しなければ空のリストです。損傷が見つかったかどうか、そしてどこにあるかがわかります。次に caption(image) は、シーンを説明する文を返します。2回の呼び出し、2つの構造で、どちらも内容に関するものです。

SingVL_S1_4B では、呼び出しはリクエスト内に質問を含みます。1つの選択式質問は、荷物が無傷か、損傷しているか、紛失しているかを尋ね、3つの候補があります。noul 質問は、ラベルが判読可能かどうかを尋ねます。スコア質問は、4つの順序付けられたレベルにわたって画像品質を評価します。応答には、各質問の候補ごとの確率と、スコアの期待レベルが含まれます。1回の呼び出し、3つの回答、すべて信頼度に関するものです。

Moondream の経路は、クレーム処理システムに表示するものを与える。SingVL の経路は、それに分岐するための材料を与える。前者を構築するチームは後者を無用だと感じる。後者を構築するチームは、前者が自分たちの書きたくないパーサーを必要とすると感じる。これが判断のすべてであり、どちらのベンダーのベンチマークを開くよりも前に決着している。

それらを実行することも比較にはならない

Moondream 3.1は、ワークステーションGPUまたはAppleラップトップ上でPhoton経由で動作し、初回使用時にHubから重みをダウンロードします。ベースモデルにはキーが不要です。公開されたトークン単位の価格、無料枠、ドキュメント化されたクイックスタートを備えたホスト型エンドポイントがあり、ベンダーは対応ハードウェア、ストリーミング、ファインチューン、Triton経由でのサービングをカバーするローカル推論ガイドを公開しています。すべての経路がドキュメント化され、すべての価格が公開されています。

SingVL_S1_4B は、あなたが用意した GPU 上で、9.1 GB の BF16 ダウンロードから、Python 3.12 環境とポート 8173 にバインドされた FastAPI サーバーを通じて動作し、POST /v1/systemone で応答します。手順は完全で、curl の例も動作します。これはほとんどの quiet drop が実現できる以上のものです。存在しないのは、ホスト型オプション、量子化ビルド、フレームワーク統合、およびダウンロードしたものを再配布することを許可するライセンスです。

その最後の「欠如」には商業的な意味合いがある。Moondreamのライセンスは独自ライセンスであり、OSIの意味でのオープンソースではない。ベンダーは、重みをクラウドサービスとしてホストするには同社のライセンスが必要だと明言しており、だからこそホスト版が存在し、価格が設定されている。SingVL_S1_4Bには利用条件が一切ないが、それは寛容なライセンスと同じではない。許諾がない以上、inclusionAI以外の誰も商業利用する許可を持たず、法務レビューはそこで止まるだろう。

決定がどこに落ち着くか

在庫を数える、部品を見つける、レイアウトをボックスとして読み取る、ハンドルを指す——といった「見つける」作業なら、Moondream 3 は2つのうち唯一それを実行でき、その作業には汎用のビジョンモデルより優先する理由が、crowd-scene の数値にあります。さらに価格表、ライセンス、ローカルで動かす手段があり、他の人々が1年間使ってきた実績もあります。

ジョブが意思決定である場合——固定された分類体系に対するゲート、トリアージ、閾値であり、文よりも数値のほうが有用な場合——SingVL_S1_4Bの設計のほうが適している。そしてその出力は、下流の解析をまるごと一つのクラス分けごと不要にする。しかし「より適している」というのは、ライセンスのないリリースの2日目におけるアーキテクチャについての言明であり、構築する理由ではなく注視する理由として読むべきだ。

inclusionAIが書類手続きを終えるのを待つのではなく、今すぐ意思決定パターンを試したいチームは、今日呼び出せます：OrcaRouterはTypeSafe Jev 1.14を提供しています — typesafe/jev-1.14、入力トークン100万あたり$0.042 — 以下と同じキーで：200以上ある他のモデル、プロバイダーの定価かつ0%のマークアップなので、どのベンダーの価格変更も当日に反映されます。Sing VL S1はOrcaRouterにはなく、ホストされた提供先もどこにもないため、これは可用性の主張ではありません。自分のデータで確率出力がボックスに勝るかどうかを確かめる、より安価な方法です。勝るなら、利用条件が付いた時点でチェックポイントを再検討してください。勝らないなら、GPUと法務レビューを節約できたことになります。

2つのモデルは、どちらもチャットインターフェースを避けているため、これからも同じ文脈で語られ続けるだろう。それは表面的な類似にすぎない。その下では、一方はロケーターであり、もう一方はスコアラーであり、あなたが構築しているパイプラインは、そのどちらが必要かをすでに知っている。