WeVisOne-VL-4B 対 Moondream 3：片方にはAPIがなく、もう片方は自らを失いつつある

2026年11月13日、Moondream Cloudは応答を停止します。Moondream 3を1行の統合で使えるようにしたホスト型APIは終了し、購入済みクレジットは返金され、Lensファインチューニング製品もそれに伴って終了します。その日は3週間後です。これに対してWeVisOne-VL-4Bは、失うべきAPIをこれまで一度も持ったことがありません。Tencentは2026年10月22日、エンドポイントも価格設定も告知もなしに重みを公開しました。したがって、この比較における実用的な問いは、もはや「どの小型視覚モデルが優れているか」ではありません。「自分で運用したいのはどの重みのセットか」です。なぜなら今日時点で、両モデルはセルフホスティングの判断であり、そのうち一方はたった今、不本意ながらそうなったからです。

両者は実に異なるマシンであり、その違いは、なぜ一方にはクラウド事業があり、もう一方にはなかったのかを説明している。

Moondream 3 はどうなりましたか？

時系列は整理して示す価値がある。見落としやすく、しかも判断の前提を変えるからだ。Moondream 3 Previewは2025年9月18日、2Bのアクティブパラメータを持つ9BパラメータのMixture-of-Expertsモデルとしてリリースされた。Moondream 3.1は2026年7月7日に続いた。2026年10月13日、Prime IntellectはMoondreamを買収したと発表した——創業チームとPhoton推論エンジンも含まれる——そしてMoondream自身の投稿がその翌日に続いた。その1か月後、クラウドは停止する。

そのどれも重みを削除するものではない。重みはHugging Face上に、Business Source License 1.1と追加利用許諾の下で残り、Photonは最近のNvidia GPUとApple Siliconで引き続き無料で実行できる。互換性のあるローカルAPIを備え、ベースモデルにはキーが不要だ。消えるのはホステッド経路——GPUを所有していなくても、チームが午後のうちにMoondream 3を評価できるようにしていたものだ。

2つのアーキテクチャ、それぞれの存在理由

Moondream 3はスパースモデルだ。総パラメータ数は9B、トークンあたり2Bがアクティブで、64個のエキスパートのうち8個が活性化され、2Bの密なMoondream 2からアップサイクリングによって初期化されている。32Kのコンテキスト、マルチクロップのチャネル連結を備えたSigLIPビジョンエンコーダ、そして生成を20～40%高速化すると同社が述べるSuperBPEトークナイザを搭載している。設計目標は、2Bモデルに近いコストでフロンティアに隣接する視覚推論を実現することだった。2Bのアクティベーション分のコストを払い、9Bの振る舞いの一部を得る。

WeVisOne-VL-4Bは密で一点集中型です。4.83BのQwen3-VLバックボーンを備え、座標トークンは<0>から<1000>までで、ボックスと点に用いられ、さらに特別な<OBJ>トークンに基づく9.6Mパラメータのデコーダを備えています。このトークンは、予測されたボックスをマスクに変え、次にフル解像度のアルファマットに変換します。Moondreamが多くの視覚タスクに能力を分散させるのに対し、WeVisOneはローカライゼーションの最後の一マイル、つまりほとんど誰も提供していないソフトエッジの透明性の部分に集中しています。

• 総パラメータ数 — WeVisOne-VL-4B は 4.83B の dense、Moondream 3 は合計 9B・アクティブ 2B

• 重みの占有サイズ — 4BではF32で約19 GB、Moondream 3ではFP16で約18 GB、コミュニティ版のINT4量子化では約6 GB

• コンテキスト — 未公開 対 32,768トークン

• ピクセル出力 — ストライド1におけるインスタンスマスクと連続アルファマット 対 セグメンテーションマスク

• ライセンス — Tencent が作成したコードに対する Apache 2.0 と、追加使用許諾付き Business Source License 1.1 の比較

• ホスト型API — 終了予定なし vs 2026年11月13日終了

• 推論エンジン — 既製のvLLM、SGLang、またはプロジェクトのパッケージ 対 専用設計のPhoton

ベンチマークの数値は同じ種類の数値ではない

MoondreamのモデルページにはCOCO mAPが51.2と記載されています。WeVisOneのREADMEにはCOCO F1平均が57.1、IoU 0.5でのF1が74.0と記載されています。これらの数値は互いに差し引けるものではありません。mAP（Mean Average Precision）と固定IoU閾値でのF1は異なる挙動を評価します。mAPは物体を見つけても順位付けが悪いモデルを罰し、IoU 0.5でのF1は緩いバウンディングボックスに寛容です。WeVisOneがCOCOでMoondream 3を6ポイント上回ると言う人は、異なる2つの試験を比較していることになります。

セグメンテーションの行は、より比較可能に近づいており、より興味深い。MoondreamはRefCOCO valセグメンテーションで83.2 mIoUを報告しており、WeVisOneはRefCOCO valで81.4 cIoUを報告している。どちらも同じデータセット分割上の指示表現に対するintersection-over-unionだが、mIoUとcIoUは画像間での集計方法が異なるため、1.8ポイントの差は指標選択のノイズの範囲内に十分収まる。ほぼ同等と見なしてよい。

この2つの表が本当に食い違うのは、そもそも何を報告することを選んだかという点だ。MoondreamはScreenSpot 80.4、OCRBench 61.2、TextVQA 76.3、POPE 89.0、そしてCountBenchQAについては、どの自社ページを見るかによって90点台前半を公表している——ローンチ投稿とモデルページでは複数の行で互いに一致しておらず、どちらを引用する前に知っておく価値がある。WeVisOneは棄却率（WeRef-Benchで96.4%）、Dense200とVisDroneでの密な検出、P3M-500-NPとAM-2Kでのマッティング誤差を公表している。どちらのモデルの著者も他方を評価していない。

ライセンス供与は、ベンチマークよりも多くの取引を左右するだろう

WeVisOne-VL-4Bは、Tencentが作成したコードについてはApache 2.0です。Moondream 3はAdditional Use Grant付きのBusiness Source License 1.1の下にあり、個人利用、研究利用、およびほとんどの商用利用は許可されていますが、モデルの第三者ホスティングまたは再ホスティングにはM87 Labsとの契約が必要です。社内ツールを構築しているなら、どちらでも問題ありません。そのモデルを他の人に提供することに価値がある製品を構築している場合、手間がかからないのは片方だけです。

買収は、ライセンス文面とは無関係な二次的なリスクをもたらす。それはスチュワードシップだ。商業上の親会社がたった今持ち主を変え、ホスト型製品が終了しようとしているモデルは、ロードマップが読めないモデルである。だからといって避ける理由にはならない——重みはレンタルではなくダウンロードするものだ——が、今四半期にそれを標準化するのではなく、テストする理由にはなる。

マッティング機能の実際の価値

Moondream 3は「the person」のセグメンテーションマスクを返します。WeVisOne-VL-4Bはマスクと、髪、毛、柔らかいエッジに沿った部分的な透明性を持つアルファマットを返し、ストライド1で精製されます。コンポジティングパイプラインにとって、それは硬いハローが付いた切り抜きと、クリーンアップ工程なしで新しい背景に配置できる切り抜きとの違いです。

これに関するテンセントの数値は印象的だが未検証だ。P3M-500-NPでの平均絶対差は7.3で、著者らが挙げる最強のベースラインの15.4に対する値であり、WeRefMatでの参照表現マッティングでは9.8で、22.4に対する値だ。これらは論文に由来し、モデルの著者らによって算出されたもので、再現はされていない。また、このアプローチが機能することを示す唯一の公開証拠でもある。なぜなら、まだ独立した研究所がそれを実行していないからだ。

エンドポイントが消失した場合のモデル運用

Moondreamのサービス終了は、ホスト型エンドポイントが他者の管理する寿命を持つ依存関係であることを思い出させる有益な事例です。現在、Moondream 3もWeVisOne-VL-4BもOrcaRouterのカタログには存在しないため、これは実在するルートの宣伝ではありません。まさに、ルーティング層が存在する理由そのものです。

プロバイダーがモデルを提供終了したとき、それが障害になるか設定変更で済むかの違いは、アプリケーションがモデル名を指しているかエンドポイントURLを指しているかにあります。OrcaRouterは、プロバイダーの定価に対して0%のマークアップで、単一のキーの背後に200以上のモデルを保持しており、自動フェイルオーバーによってエラーを返す代わりにリクエストを正常なプロバイダーへ振り向けます。買収される可能性のあるモデル上に構築されたパイプラインにとって、その抽象化は3週間では後付けできない部分です。

3週間前の推奨

Moondream 3 Previewまたは3.1をホスト型API経由で実行しているなら、決断すべき時は今であり、それは品質の問題ではありません。11月13日より前に、Photonのセルフホスティングに移行するか、別のモデルを選んでください。代替サービスが現れるのを待たないでください。

新しく選ぶなら、そして作業がマスクやマットで終わるなら、WeVisOne-VL-4Bはより興味深い賭けであり、より実証されていない方です — Apache 2.0、本物のアーキテクチャ上のアイデア、そして公開から2日という履歴。成熟した推論エンジンと多くのタスクにわたる実績を備えた幅広い視覚推論モデルが必要なら、買収の有無にかかわらず、Moondream 3は依然としてセルフホストにより安全なモデルです。

そして、もし実際に必要なのがどちらでもなく、自分で運用しなくてよいAPIの背後にある汎用ビジョンモデルなのであれば、それは別の問いであり、答えはずっと短くなります。これらのモデルのどちらも、それではありません。