WeVisOne-VL-2B vs Moondream 3：ライセンスと期限

2026年11月13日、Moondream 3 Preview を提供するホスト型エンドポイントが応答しなくなります。この比較を緊急にしているのは、どのベンチマークでもなくこの日付です。Moondream のクラウド上で構築したチームは、停止通知から約3週間でその代替を決める必要があり、フォールバック先として頼る重みには、ほとんどのチームがじっくり読んだことのないライセンスが付いています。WeVisOne-VL-2B は、それと並べて検討すべき明白な選択肢です。Tencent の WeChat Vision チームによる2Bの知覚モデルで、2026年10月22日に Apache 2.0 ライセンスで公開され、同じグラウンディング作業、すなわちボックス、ポイント、カウント、マスクを処理します。

このシリーズで最も近いペアはこの2モデルだ。どちらも物事を説明するのではなく、指し示すことを中心に設計されている。どちらもマスクを出力する。どちらも対象が存在しない場合には「そこにはない」と言うよう訓練されている。それでも、どちらかのベンダーが公開したもののうち、他方から差し引けるものはほとんどない。なぜなら両者は異なる時点に異なるハーネス上で異なるものを測定したからだ。比較できるのはライセンス、出力形式、デプロイ経路であり、その3点に関しては、答えは僅差ですらない。

なぜこの2人が同じ会話にいるのですか

Moondream 3 Previewは2025年9月18日にリリースされ、小型モデルでもグラウンデッドな知覚をネイティブに実行できることを示した。検出、ポインティング、計数、セグメンテーション、回答をすべて単一のチェックポイントから行い、別々の検出器と推論モデルを組み合わせる必要はない。これは総パラメータ数90億、アクティブパラメータ数20億のスパースなMixture of Expertsであり、24層のうち最初の4層は密結合、残りはトークンあたり8個のエキスパートがアクティブになる64個のエキスパートを備える。コンテキスト長は32,768トークンで、独自のSuperBPEトークナイザーとSigLIPベースの視覚エンコーダーを採用している。

WeVisOne-VL-2Bは1年後に登場し、同じ主張をより限定した形で展開する。Qwen3-VLを基盤とする20億パラメータのモデルで、作業を2つに分けている。言語モデルが専用トークンを介して座標を出力し、別個の950万パラメータのデコーダがマークされた各インスタンスをマスクまたは連続アルファマットに変換する。Tencentは汎用アシスタントを作ろうとしたのではなく、知覚エンジンを作ろうとし、制限事項のセクションでそう明言した。

血縁的な類似は実際に存在する。だからこそ、無関係なモデル同士の場合よりも、その違いの方が重要になるのだ。

ケイパビリティマップを並べて比較

• パラメータ — Moondream 3 Preview は合計9Bで2Bがアクティブ、WeVisOne-VL-2B は約2Bのdenseモデル、さらに必須の9.5Mパラメータのデコーダーを含む。

• マスク出力 — Moondream では SVG パス文字列とバウンディングボックスを出力し、そのドキュメントではネイティブのベクターマスクと説明されています。WeVisOne ではストライド1のフル解像度でラスターのアルファマットを出力し、髪や毛皮のソフトな透明度も含みます。

• 推論 — Moondream 3 にはオプションの思考連鎖モードがあり、画像内を指し示すことでその画像について推論します。一方、WeVisOne は思考連鎖を一切行わずに構造化出力を生成します。これは Tencent が推論効率のために選んだ設計です。

• コンテキスト — Moondream のカードには 32,768 トークンが公開されているのに対し、WeVisOne には公開されたコンテキスト長がなく、その論文では 4,096 および 8,192 トークンでの学習と、画像あたり最大 1,960 の視覚トークンでの推論について述べられている。

• 入力 — 両方とも画像に対応しているが、Moondream はストリーミングによる部分結果を備えた文書化済みのクラウド API を提供している。一方 WeVisOne は、そのピクセルデコーダで動画グリッドを拒否し、設計上シングルターンである。

• ライセンス — Moondream については追加使用許諾付きの Business Source License 1.1、WeVisOne については Apache 2.0。

• リリース — 2025年9月18日 vs 2026年10月22日、13か月の間隔。

• ホスティング — 2026年11月13日まではMoondream Cloud、その後はセルフホストのみ。Tencentからも、当社が確認できるいかなるプロバイダーからも、WeVisOne向けのホスト型エンドポイントは提供されていません。

数字、それらに付属する楽器とともに

ここから先は、比較が脚注を読み解く作業と化す。以下の数値はすべてベンダーによる自己申告であり、どちらのモデルもArtificial Analysisをはじめ、探し得る限りどこにも第三者による独立した評価は存在しない。

• RefCOCO — Moondreamのローンチ時チャートには91.1が記載され、RefCOCOgでは88.6、RefCOCO+では81.8が並んでいます。これらは検出形式の精度指標であり、Moondream自身もこのチャートは公平な勝負ではないと述べています。フロンティアのベースラインはネイティブのグラウンディング機能を持たないためテンプレート経由で問い合わせられており、また一部のプレビュースコアは完全な評価セットではなく100問のサンプルから得られたものです。

• WeVisOne 上の RefCOCO — Tencent は RefCOCO の検出数値を公表していません。同社の referring detection の表では、2B の RefCOCOg が平均 F1 77.1 と報告され、セグメンテーションの表では RefCOCO validation が cIoU 79.7 と報告されています。タスクも指標もスプリットも異なります。

• セグメンテーション — Moondreamの2026年3月のセグメンテーションアップデートは、RefCOCO検証セットでmIoU 83.2、RefCOCO+で79.1、RefCOCOgで80.7を報告しており、高忠実度のRefCOCO-Mでは別途88.2を報告している。WeVisOneは同じ3つのスプリットで79.7、73.1、74.4を報告しているが、これはcIoUとしての値であり、論文でもその旨が明記されている。平均IoUと累積IoUでは画像の重み付けが異なるため、ここでの差は測定されたものというより示唆的なものだ。

• カウンティング — Moondream は CountBenchQA を 93.2 と報告している。WeVisOne は CountQA を完全一致で 47.9、PixMo-Count を 90.9 と 88.1、CLOC を 27.5 と 26.9 と報告している。CountBenchQA と CountQA は同じデータセットではなく、カウンティング用データセットでの完全一致は、多肢選択用データセットでの精度とは違って容赦がない。WeVisOne 自身のカウンティング行内のばらつき — あるデータセットでは 90.9、別のデータセットでは 27.5 — は、ベンダー間のどの比較よりも、カウンティングのベンチマークに関するより良い警告になっている。

• 検出 — Moondream は COCO detection を 51.2 と記載している。WeVisOne は IoU しきい値全体で COCO mean F1 を 55.2 と記載している。それらが同じ統計量なのかはどちら側にも明記されておらず、まさにそれが問題である。

浮かび上がるのは勝者ではない。互いに較正されたことのない計測器で測られながら、どちらも強いグラウンディングされた知覚を主張する2つのモデルであり、そのうち一方は、著者自身が不公平だと述べた図表で公表されていた。

ライセンスこそが本当の分かれ道だ

Moondream 3 Preview の重みは、短縮名「No Third-Party Service」の追加使用許諾を伴う Business Source License 1.1 の下で公開されています。この許諾は、個人プロジェクト、研究、ベンチマーク、ファインチューニング、マージ、量子化、および重み差分を対象としています。対象外となるのは、第三者がモデルを利用できるサービスを立ち上げることです。それは、ほとんどの企業が実際に構築したいと考えているものです。

それは重大な制約であり、比較において明確な答えが出る唯一の点です。WeVisOne-VL-2B のカードは、Tencent が著作したコードに Apache 2.0 を付与し、第三者コンポーネントは独自の条件を維持します。収益閾値も、用途分野の除外条項も、自社製品が第三者サービスに該当するかどうかを弁護士と話し合う必要もありません。

この2つのどちらかを選んで商業用のものを構築するなら、結果をより大きく左右するのは、前のセクションのどのベンチマークよりもライセンスです。法的に提供できないモデルは、より安価な選択肢ではありません。それは別の製品なのです。

もし今 Moondream Cloud をご利用中でしたら

シャットダウンの告知は、その理由と並べて掲載された。Moondreamとその後継であるMoondream 3.1は現在Prime Intellectの一部となっており、同社は2026年10月13日に買収を発表、創業者のVik KorrapatiとJay Allenが推論部門を率いるために加わった。Moondream自身の投稿は10月14日付だ。告知は一行だった。2026年11月13日、つまり30日後にMoondream Cloudはサービスを終了し、未使用の購入済みクレジットは返金される。

切り分けて考えるべきことが2つある。モデルが撤回されるわけではない。重みはそのままの場所に残り、ライセンスも変わらない。終わるのはホスト型の経路、つまりほとんどのチームが実際に呼び出している方だ。Moondreamの推論エンジンであるPhotonは、Prime Intellectが買収したものの一部であり、その売りはスループットだ。Moondream 3.1で毎秒34リクエスト、単一のH100で毎秒60回以上の推論。これはPrimeの数字であり、今それを売り込んでいるのはPrime自身だ。

移行を考える人にとって、正直な選択肢は3つある。すでに持っているMoondreamの重みをセルフホストし、BSLの条件を受け入れる。なくならないホステッドモデルへ移行し、そのほとんどがマスクを出力しないことを受け入れる。あるいはApache-2.0のオープンウェイトモデルへ移り、デプロイを自ら管理する——ここでWeVisOne-VL-2Bが登場するが、ドロップイン代替ではなく、その根拠もより薄いという注意点がある。

ドロップイン代替にはなりません。具体的な理由は3つあります。出力形式が異なります。SVGパス対ラスターのアルファマットであり、下流の合成コードの変更が必要になります。思考連鎖モードがないため、Moondreamの根拠付き推論トレースに依存していたパイプラインはそれを失います。また、公開されているコンテキスト長がないため、Moondreamに長いマルチ画像プロンプトを渡していたワークフローには、設計の基準となる公称上限がありません。

ここはルーティングレイヤーが真価を発揮する場でもあり、それが何をでき、何をできないかについては正確に述べておく価値があります。OrcaRouterはMoondream 3やWeVisOne-VL-2Bを提供していません。どちらも当社のカタログにはなく、移行がURLの変更だと装うつもりもありません。当社にできるのは、あなたのスタックのホスト側をポータブルに保つことです：1つのAPIキーで200を超えるモデルをプロバイダーの定価で、マークアップなしで利用、プロバイダーが劣化した際の自動フェイルオーバー、そしてアプリケーションコードに触れることなくホスト型モデル間でトラフィックを移動できるルーティングDSLです。11月13日の教訓が「単一のホスト型依存は単一障害点である」というものなら、解決策は抽象化レイヤーであり、別の単一依存ではありません。

11月13日までに何を決めるべきか

Moondream 3 PreviewをクラウドAPI経由だけで実行しているなら、本当の選択はMoondream対WeVisOneではない。推論を自前で持つかどうかだ。Moondreamをセルフホストすれば、すでに調整を重ねてきた挙動をそのまま維持できる。ライセンスは社内利用と研究利用を認めるが、サービスとしての再販は認めていない。WeVisOneをセルフホストすれば、より明確な条件とソフトアルファマットが得られる代わりに、独立した検証が誰も行っていないモデルと、単一画像にしか機能しないデコーダーを抱えることになる。

ゼロから始める場合——既存のパイプラインも、調整済みプロンプトも、既存の統合への投資もない——計算はより単純です。WeVisOne-VL-2BはApache 2.0かつ2B、Moondream 3 Previewはソース公開型で9B（うち2Bがアクティブ）です。そして、両社が比較を促す形で公開している唯一のベンチマークはセグメンテーションであり、そこでは指標の定義がひそかに食い違っています。ライセンスと出力形式で選び、その後は自分の画像で測定してください。なぜなら、どちらのベンダーも、この隔たりを越えて信頼できる数値を示していないからです。