WeVisOne-VL-2B vs Moondream 3: Een licentie en een deadline

Op 13 november 2026 stopt de gehoste endpoint die Moondream 3 Preview bedient met antwoorden. Die datum, niet een of andere benchmark, maakt deze vergelijking urgent: teams die op Moondreams cloud hebben gebouwd, hebben vanaf de stopaankondiging ongeveer drie weken om te beslissen wat het vervangt, en de gewichten waarop ze zouden terugvallen, vallen onder een licentie die de meesten van hen nooit aandachtig hebben gelezen. WeVisOne-VL-2B is het voor de hand liggende model om ernaast te zetten: een 2B-perceptiemodel van het WeChat Vision-team van Tencent, gepubliceerd op 22 oktober 2026 onder Apache 2.0, dat hetzelfde grounded werk doet: boxes, punten, aantallen en masks.

De twee modellen vormen het dichtstbijzijnde paar in deze serie. Beide zijn gebouwd rond het aanwijzen van dingen in plaats van ze te beschrijven. Beide geven masks als uitvoer. Beide zijn getraind om "er niet" te zeggen wanneer het doel ontbreekt. En toch kan bijna niets van wat een van beide leveranciers heeft gepubliceerd van de ander worden afgetrokken, omdat ze op verschillende momenten verschillende dingen op verschillende testharnassen hebben gemeten. Wat wel kan worden vergeleken, zijn de licentie, het uitvoerformaat en het uitroltraject — en op die drie is het antwoord niet eens in de buurt.

Waarom zitten deze twee in hetzelfde gesprek?

Moondream 3 Preview, uitgebracht op 18 september 2025, maakte aannemelijk dat een klein model gegronde perceptie native kon uitvoeren: detecteren, aanwijzen, tellen, segmenteren en antwoorden, allemaal vanuit één checkpoint, zonder een aparte detector en een afzonderlijk redeneermodel te hoeven orkestreren. Het is een sparse mixture of experts met 9 miljard totale parameters, waarvan 2 miljard actief — 24 lagen, de eerste vier dense, de rest met 64 experts waarvan er 8 per token worden geactiveerd — een context van 32.768 tokens, een aangepaste SuperBPE-tokenizer en een op SigLIP gebaseerde visie-encoder.

WeVisOne-VL-2B komt een jaar later en maakt een nauwere versie van hetzelfde argument. Het heeft 2B parameters en is gebouwd op Qwen3-VL, en splitst het werk in tweeën: het taalmodel genereert coördinaten via speciale tokens, en een afzonderlijke decoder van 9,5 miljoen parameters zet elk gemarkeerd exemplaar om in een masker of een continue alfa-matte. Tencent probeerde geen algemene assistent te maken. Het probeerde een perceptie-engine te maken, en zei dat ook in de sectie met beperkingen.

De familiegelijkenis is echt, en daarom wegen de verschillen zwaarder dan ze tussen niet-verwante modellen zouden doen.

De capability maps, naast elkaar

• Parameters — 9B totaal met 2B actief voor Moondream 3 Preview versus ongeveer 2B dense voor WeVisOne-VL-2B, plus een vereiste 9,5M-parameterdecoder.

• Maskeruitvoer — SVG-padstrings plus een begrenzingskader op Moondream, die volgens de documentatie ervan native vectormaskers zijn; raster-alfamattes op volledige resolutie met stride 1 op WeVisOne, inclusief zachte transparantie voor haar en vacht.

• Redeneren — Moondream 3 heeft een optionele chain-of-thought-modus en redeneert over een afbeelding door erin te wijzen; WeVisOne genereert gestructureerde output zonder enige chain-of-thought, een keuze die Tencent maakte voor inferentie-efficiëntie.

• Context — 32.768 tokens gepubliceerd op de Moondream-kaart versus geen gepubliceerde contextlengte voor WeVisOne, waarvan de paper training bij 4.096 en 8.192 tokens en inferentie bij maximaal 1.960 visuele tokens per afbeelding beschrijft.

• Invoer — afbeeldingen bij beide, maar Moondream levert een gedocumenteerde cloud-API met streaming van gedeeltelijke resultaten; WeVisOne verwerpt videorasters in zijn pixeldecoder en is qua ontwerp single-turn.

• Licentie — Business Source License 1.1 met een Additional Use Grant op Moondream, Apache 2.0 op WeVisOne.

• Release — 18 september 2025 vs 22 oktober 2026, dertien maanden uit elkaar.

Hosting — Moondream Cloud tot 13 november 2026, daarna alleen self-hosted; geen gehost endpoint voor WeVisOne van Tencent of van een provider die we kunnen verifiëren.

De getallen, met hun bijbehorende instrumenten

Hier wordt de vergelijking een kwestie van voetnoten lezen. Elk cijfer hieronder is door de leverancier opgegeven; geen van beide modellen heeft een onafhankelijke evaluatie op Artificial Analysis of ergens anders waar we die kunnen vinden.

• RefCOCO — In de lanceringsgrafiek van Moondream staat 91,1, naast 88,6 op RefCOCOg en 81,8 op RefCOCO+. Dat zijn nauwkeurigheidscijfers in detectiestijl, en Moondream zelf omschreef de grafiek als geen eerlijke strijd: de frontier-baselines werden via templates bevraagd omdat ze geen native grounding hebben, en verschillende previewscores kwamen uit steekproeven van 100 vragen in plaats van volledige evaluatiesets.

• RefCOCO op WeVisOne — Tencent publiceert geen detectiecijfer voor RefCOCO. De tabel voor referring detection vermeldt RefCOCOg met 77,1 gemiddelde F1 voor de 2B, en de segmentatietabel vermeldt RefCOCO-validatie met 79,7 cIoU. Andere taak, andere statistiek, andere split.

• Segmentatie — Moondreams segmentatie-update van maart 2026 rapporteert een mIoU van 83,2 op RefCOCO-validatie, 79,1 op RefCOCO+ en 80,7 op RefCOCOg, met afzonderlijk 88,2 op het hoogwaardige RefCOCO-M. WeVisOne rapporteert 79,7, 73,1 en 74,4 op dezelfde drie splits — maar als cIoU, wat het paper expliciet vermeldt. Gemiddelde IoU en cumulatieve IoU wegen afbeeldingen verschillend, dus het verschil hier is eerder indicatief dan gemeten.

• Tellen — Moondream rapporteert CountBenchQA op 93,2. WeVisOne rapporteert CountQA op 47,9 exact-match, PixMo-Count op 90,9 en 88,1, en CLOC op 27,5 en 26,9. CountBenchQA en CountQA zijn niet dezelfde dataset, en exact-match op een telset is genadeloos op een manier waarop nauwkeurigheid op een meerkeuzeset dat niet is. De spreiding binnen de eigen telrij van WeVisOne — 90,9 op de ene dataset, 27,5 op een andere — is een betere waarschuwing voor benchmarks voor tellen dan welke vergelijking tussen leveranciers dan ook.

• Detectie — Moondream vermeldt COCO-detectie op 51,2. WeVisOne vermeldt een COCO mean F1 van 55,2 over IoU-drempels. Of dat dezelfde statistiek is, wordt aan geen van beide kanten vermeld, en dat is precies het probleem.

Wat eruit voortkomt, is geen winnaar. Het zijn twee modellen die beide een sterke gegronde waarneming claimen, gemeten met instrumenten die nooit op elkaar zijn gekalibreerd, waarvan er één is gepubliceerd op een grafiek die de eigen auteur als oneerlijk beschreef.

De licentie is de echte tweesprong.

De gewichten van Moondream 3 Preview zijn vrijgegeven onder de Business Source License 1.1 met een Additional Use Grant waarvan de korte naam "No Third-Party Service." is. De grant dekt persoonlijke projecten, onderzoek, benchmarks, fine-tunes, merges, quantisaties en weight-delta's. Wat er niet onder valt, is het opzetten van een dienst waarmee derden het model kunnen gebruiken — precies wat de meeste bedrijven eigenlijk willen bouwen.

Dat is een wezenlijke beperking, en het is de enige plek waar de vergelijking een eenduidig antwoord heeft. De kaart van WeVisOne-VL-2B verleent Apache 2.0 voor door Tencent geschreven code, waarbij componenten van derden hun eigen voorwaarden behouden. Geen omzetdrempel, geen uitzondering op basis van toepassingsgebied, geen gesprek met een advocaat over of je product als een dienst van derden telt.

Als je tussen deze twee moet kiezen om iets commercieels te bouwen, bepaalt de licentie meer van de uitkomst dan welke benchmark dan ook in de vorige sectie. Een model dat je niet legaal kunt aanbieden, is geen goedkopere optie; het is een ander product.

Als je nu op Moondream Cloud zit

De stopzettingsaankondiging verscheen samen met de reden ervoor. Moondream en zijn opvolger Moondream 3.1 maken nu deel uit van Prime Intellect, dat de overname op 13 oktober 2026 aankondigde, waarbij oprichters Vik Korrapati en Jay Allen zich aansluiten om de inferentie te leiden. Moondreams eigen bericht is gedateerd op 14 oktober. De aankondiging bestond uit één regel: op 13 november 2026, over dertig dagen, wordt Moondream Cloud stopgezet, waarbij niet-bestede gekochte credits worden terugbetaald.

Twee dingen moeten we uit elkaar houden. De modellen worden niet teruggetrokken — de gewichten blijven waar ze zijn en de licentie verandert niet. Wat eindigt, is het gehoste pad, het pad dat de meeste teams daadwerkelijk aanroepen. Photon, de inference-engine van Moondream, maakt deel uit van wat Prime Intellect heeft gekocht, en het verkoopargument is doorvoer: 34 requests per seconde voor Moondream 3.1, meer dan 60 inferenties per seconde op één H100. Dat zijn de cijfers van Prime, en Prime is nu de partij die ze verkoopt.

Voor iedereen die overstapt, zijn er drie eerlijke opties. Host de Moondream-gewichten die je al hebt zelf en accepteer de BSL-voorwaarden. Stap over op een gehost model dat niet verdwijnt, in de wetenschap dat de meeste daarvan geen maskers opleveren. Of stap over op een open-weights model onder Apache-2.0 en heb de deployment in eigen hand — en daar komt WeVisOne-VL-2B in beeld, met de kanttekeningen dat het geen drop-in vervanging is en dat het bewijs dunner is.

Het is om drie concrete redenen geen drop-invervanging. Het uitvoerformaat verschilt: SVG-paden versus raster-alfa-mattes, waardoor je downstream-compositingcode moet worden aangepast. Er is geen chain-of-thought-modus, dus elke pipeline die vertrouwde op Moondreams grounded reasoning-traces verliest die. En er is geen gepubliceerde contextlengte, dus een workflow die Moondream lange prompts met meerdere afbeeldingen voerde, heeft geen opgegeven plafond om tegen te ontwerpen.

Dit is ook de plek waar een routeringslaag zijn bestaansrecht verdient, en het loont om precies te zijn over wat die wel en niet kan. OrcaRouter serveert Moondream 3 en WeVisOne-VL-2B niet; geen van beide staat in onze catalogus, en we zullen niet doen alsof een migratie een kwestie van een URL wijzigen is. Wat we wél kunnen doen, is de gehoste kant van je stack portabel houden: één API-sleutel voor meer dan 200 modellen tegen de lijstprijs van de provider, zonder toeslag, automatische failover wanneer een provider achteruitgaat, en een routerings-DSL waarmee je verkeer tussen gehoste modellen kunt verplaatsen zonder applicatiecode aan te raken. Als de les van 13 november is dat één enkele gehoste afhankelijkheid een single point of failure is, dan is de oplossing de abstractielaag, niet een andere enkele afhankelijkheid.

Wat u vóór 13 november moet beslissen

Als je Moondream 3 Preview alleen via de cloud-API gebruikt en niets anders, is de keuze niet echt Moondream versus WeVisOne. Het gaat erom of je inference überhaupt zelf wilt draaien. Als je Moondream zelf host, behoud je het gedrag waar je al op hebt afgestemd, onder een licentie die intern en onderzoeksgebruik toestaat, maar niet doorverkoop als dienst. Als je WeVisOne zelf host, krijg je schonere voorwaarden en soft alpha mattes, ten koste van een model dat niemand onafhankelijk heeft getest en een decoder die alleen op losse afbeeldingen werkt.

Als je helemaal opnieuw begint — geen bestaande pipeline, geen afgestemde prompts, geen integratie waar al veel in is geïnvesteerd — is de afweging eenvoudiger. WeVisOne-VL-2B valt onder Apache 2.0 en heeft 2B parameters, Moondream 3 Preview is bronbeschikbaar en telt 9B met 2B actief, en de enige benchmark die beide in een vorm publiceren die uitnodigt tot vergelijking, is segmentation, waarbij de definities van de metriek stilletjes uiteenlopen. Kies op basis van de licentie en het uitvoerformaat, en meet daarna op je eigen afbeeldingen, want geen van beide leveranciers heeft je een getal gegeven dat je over dat verschil heen kunt vertrouwen.