SingVL_S1_4B kontra Moondream 3: współrzędne czy prawdopodobieństwa

Oba te modele obiecują strukturę zamiast prozy i na tym podobieństwo się kończy. Moondream 3odpowiada współrzędnymi: poproś, aby znalazł ludzi na zdjęciu, a zwróci ramki z etykietami; poproś, gdzie znajduje się uchwyt, a zwróci punkty; poproś o opis, a zwróci zdanie. SingVL_S1_4Bodpowiada prawdopodobieństwami: podaj mu opcje, a zwróci liczbę dla każdej opcji; podaj mu stwierdzenie, a zwróci prawdopodobieństwo, że jest prawdziwe. Jeden mówi ci, gdzie coś jest. Drugi mówi, jak bardzo jest pewny. Wybór między nimi to pytanie o to, której z tych dwóch odpowiedzi Twój pipeline zawsze potrzebował, a te dwie rzadko się wzajemnie zastępują.

Dwie formy „ustrukturyzowanego wyjścia”

Moondream 3 to model wizyjny typu mixture-of-experts — 9 mld parametrów łącznie, 2 mld aktywnych — który dostawca, Moondream, opisuje jako zbudowany do rozumowania wizualnego i detekcji przy kosztach sprzyjających wdrożeniu. Cztery umiejętności są natywne, a nie wymuszane promptem: query do odpowiadania na pytania dotyczące obrazu, detect do ramek w otwartym słowniku, point do punktów środkowych oraz caption. Wszystkie cztery zwracają ustrukturyzowane dane wyjściowe, a nie tekst konwersacyjny, a wagi można bezpłatnie pobrać i uruchomić lokalnie za pośrednictwem własnego silnika wnioskowania dostawcy, Photon, na procesorach graficznych NVIDIA od Ampere wzwyż lub na Apple silicon. Model pojawił się jako wersja zapoznawcza we wrześniu 2025 r. i został zastąpiony przez Moondream 3.1 w lipcu 2026 r., który jest obecną generacją tej samej architektury.

SingVL_S1_4B to model decyzyjny przesłany przez inclusionAI 11 listopada 2026 r. bez zapowiedzi. Przyjmuje stan — tekst, JSON lub do czterech obrazów — oraz słownik nazwanych pytań, z których każde deklaruje typ i swoje odpowiedzi kandydujące. Choice zwraca prawdopodobieństwo dla każdej opcji, noul zwraca prawdopodobieństwo, że twierdzenie typu tak/nie jest prawdziwe, a score zwraca prawdopodobieństwo dla każdego poziomu wśród od dwóch do dziesięciu uporządkowanych poziomów oraz oczekiwany poziom. Jeden przebieg w przód na żądanie, bez generowania tokenów, bez jakiegokolwiek wyjścia w swobodnej formie.

Konkretnie: daj {{1}}Moondream 3{{/1}} zdjęcie magazynu i słowo „{{2}}pallet{{/2}}”, a ono zwróci ci prostokąty. Daj {{3}}SingVL_S1_4B{{/3}} to samo zdjęcie z pytaniem „czy tę ramkę można bezpiecznie wysłać” i kandydatami {{4}}tak{{/4}} oraz {{5}}nie{{/5}}, a ono zwróci ci 0,91 i 0,09. Oba są ustrukturyzowane. Żaden nie potrafi wygenerować danych wyjściowych drugiego.

Do czego właściwie służy model 9B

Materiały premierowe samego Moondream są nietypowo szczere co do ograniczeń benchmarków, a mimo to publikuje gęsty zestaw. W wykrywaniu przy [email protected] liczby, które mają znaczenie, to COCO na 81.46, ODinW-13 na 93.94, Dense200 na 74.61 i SKU-110K na 52.77 — przy czym dwa ostatnie to zbiory zatłoczonych scen, na których ogólny model wizyjny zwykle się załamuje. Detekcja referringowa osiąga 87.1 na RefCOCO-M. Na tym tle LVIS na 67.4 i HumanRef na 70.39 to wiersze, w których przegrywa z konkurentem, co dostawca publikuje, zamiast ukrywać.

Taki profil — mocny w detekcji gęstej i z otwartym słownikiem, słabszy w drobnoziarnistym wskazywaniu referencyjnym, gdzie wygrywa specjalista — to właśnie zapewnia MoE z 2B aktywnych parametrów. Model jest szybki, ponieważ większość jego parametrów nie jest używana na token, a dokładny w liczeniu i lokalizowaniu, ponieważ te umiejętności były trenowane jako pierwszorzędne, a nie wyłoniły się z generowania opisów.

Komercyjny kształt wydania warto odnotować, ponieważ jest przeciwieństwem publikacji badawczej. Wagi są darmowe na licencji Moondream Model License, uruchamianie ich lokalnie nie wymaga klucza API, a usługa hostowana jest rozliczana za token: 0,30 USD za milion tokenów wejściowych i 1,00 USD za milion tokenów wyjściowych w czasie rzeczywistym, a w trybie wsadowym stawki są o połowę niższe: 0,15 USD i 0,50 USD. Dostępny jest darmowy plan, playground, udokumentowana ścieżka lokalna oraz tekst licencji do przeczytania. Nic w tym wydaniu nie jest niejednoznaczne.

Do czego właściwie służy model 4.5B

Karta modelu SingVL_S1_4B publikuje tabelę „Public Decision Index 0.3”: 69.76 w panelu Text i 73.94 w Vision, wobec TypeSafe Jev 1.14 z 60.70 w Text, StartLux-Decision v1.1 4B z 67.8 i 67.90 oraz Perplexity Decider Flash v1.2 z 60.1 i 72.5. Wiersze według zestawów danych pokazują, skąd pochodzi agregat — InfographicVQA 96.31, Winoground 93.12, ekstrakcja kluczowych informacji 95.82 na górze; MMMU-Pro vision 50.17, R-Bench-M 49.77 i moderacja memów nienawistnych 71.64 na dole.

To są własne wyniki dostawcy na rankingu, który jego własni autorzy pomogli sformalizować, uzyskane przez punktowanie dostarczonych opcji, a nie generowanie odpowiedzi, i nikt ich nie odtworzył. Repozytorium miało dwa dni, gdy to pisano, ma zero pobrań, nie zawiera pliku licencji i nie istnieje żadna publikacja. Publiczny zestaw do reprodukcji Decision Index nie wykazuje żadnego zgłoszenia od tego modelu.

Użyteczna teza jest więc wąska i strukturalna, a nie liczbowa: pojedynczy przebieg w przód, który zwraca skalibrowane prawdopodobieństwo dla każdego kandydata, to inny prymityw niż model zwracający współrzędne lub tekst. To jest prymityw, którego chcesz, gdy decyzja na dalszym etapie jest progiem — gdy ktoś już zdecydował, że powyżej 0,8 działasz, a poniżej 0,3 eskalujesz. To nie jest prymityw, którego chcesz, gdy na dalszym etapie trzeba wiedzieć, gdzie.

Część wspólna jest mniejsza, niż sugeruje wspólna nazwa zbioru danych.

Obie karty dotyczą ugruntowania wizualnego i łatwo byłoby zestawić liczby i ogłosić zwycięzcę. Nie rób tego. Trzy niezgodności czynią to bezsensownym.

• Forma zadania — wyniki detekcji Moondream pochodzą z emitowania ramek i dopasowywania ich do danych referencyjnych przy progu IoU. Wyniki wizyjne SingVL_S1_4B pochodzą z wybierania spośród opcji napisanych przez kogoś innego. Model, który poprawnie szereguje kandydatów, nie jest przez to modelem zdolnym do lokalizowania.

• Harness — Moondream raportuje [email protected] na nazwanych zbiorach detekcji w ramach własnych ustawień ewaluacji. SingVL_S1_4B raportuje dokładność w zestawie Decision Index z poprawką na przypadek i korektą pokrycia. To samo słowo, inny pomiar.

• Autorstwo — oba zestawy są raportowane przez dostawcę. Zestaw Moondream był przez ponad rok poddawany weryfikacji przez strony trzecie i doczekał się portów społecznościowych; zestaw SingVL_S1_4B nie doczekał się żadnego. O jednej z tych liczb publicznie się spierano.

To, gdzie te dwa modele rzeczywiście można by porównać, to zadanie, które oba potrafią wyrazić: czy ten obraz zawiera naruszenie i do której kategorii należy. Moondream odpowiedziałby wynikiem detekcji lub odpowiedzią na zapytanie; SingVL_S1_4B — rozkładem wyboru. To prawdziwy eksperyment, który ktoś powinien przeprowadzić, a który nie został przeprowadzony.

Opracowany kształt, ponieważ API wyjaśnia produkt

Najbardziej klarownym sposobem dostrzeżenia różnicy jest zapisanie żądania, jakie każdy model otrzymałby w tym samym zadaniu — wstępnej oceny zdjęcia dostawy, zanim trafi ono do likwidatora szkód.

W przypadku Moondream 3 wywołanie to detect(image, "damaged parcel"), a odpowiedź to lista obiektów z ramkami ograniczającymi i poziomem pewności albo pusta lista, jeśli nic nie pasowało. Dowiadujesz się, czy wykryto uszkodzenie i gdzie. Następnie caption(image) zwraca zdanie opisujące scenę. Dwa wywołania, dwie struktury, oba dotyczą treści.

W przypadku SingVL_S1_4B wywołanie przenosi pytania w żądaniu. Jedno pytanie jednokrotnego wyboru pyta, czy paczka jest nienaruszona, uszkodzona czy zaginiona, i ma trzech kandydatów. Pytanie typu noul pyta, czy etykieta jest czytelna. Pytanie oceniające ocenia jakość obrazu w czterech uporządkowanych poziomach. Odpowiedź zawiera prawdopodobieństwo dla każdego kandydata dla każdego pytania oraz oczekiwany poziom oceny. Jedno wywołanie, trzy odpowiedzi — wszystko dotyczy pewności.

Ścieżka Moondream daje systemowi obsługi roszczeń coś do wyświetlenia. Ścieżka SingVL daje mu coś, na czym można oprzeć rozgałęzianie. Zespół budujący pierwszą uzna drugą za bezużyteczną; zespół budujący drugą stwierdzi, że pierwsza wymaga parsera, którego nie chce pisać. To cała decyzja i zostaje rozstrzygnięta, zanim otworzy się benchmark któregokolwiek dostawcy.

Uruchamianie ich również nie jest porównywalne.

Moondream 3.1 działa na GPU stacji roboczej lub na laptopie Apple przez Photon, a wagi są pobierane z Hub przy pierwszym użyciu i model bazowy nie wymaga klucza. Istnieje hostowany endpoint z opublikowanymi cenami za token, darmowym planem i udokumentowanym quickstartem, a dostawca publikuje przewodnik po wnioskowaniu lokalnym obejmujący obsługiwany sprzęt, streaming, finetuning i serwowanie przez Triton. Każda ścieżka jest udokumentowana, a każda cena jest publiczna.

SingVL_S1_4B działa na udostępnianej przez Ciebie karcie GPU, z pobranego pliku BF16 o rozmiarze 9,1 GB, w środowisku Python 3.12 i za pośrednictwem serwera FastAPI nasłuchującego na porcie 8173, który odpowiada pod POST /v1/systemone. Instrukcje są kompletne, a przykłady curl działają — to więcej, niż udaje się osiągnąć większości cichych wydań. Nie istnieje natomiast żadna opcja hostowana, żadna wersja skwantyzowana, żadna integracja z frameworkiem ani żadna licencja zezwalająca na redystrybucję tego, co pobrano.

Ten ostatni brak ma wymiar komercyjny. Licencja Moondream jest niestandardowa — nie jest open source w rozumieniu OSI — a dostawca wyraźnie zaznacza, że hostowanie wag jako usługi w chmurze wymaga jego licencji, dlatego istnieje płatna warstwa hostowana. SingVL_S1_4B nie ma w ogóle żadnych warunków, co nie jest równoznaczne z licencją permisywną: bez udzielenia zgody nikt spoza inclusionAI nie ma uprawnienia do komercyjnego wykorzystania go, a analiza prawna zakończy się na tym.

Gdzie ląduje decyzja

Jeśli zadanie polega na znajdowaniu rzeczy — liczeniu zapasów, lokalizowaniu komponentu, odczytywaniu układu do ramek, wskazywaniu uchwytu — Moondream 3 jest jedynym z tych dwóch, który potrafi to zrobić, a jego wyniki dla scen tłumnych są powodem, by w tej pracy preferować go nad ogólnym modelem wizyjnym. Ma też cennik, licencję, lokalną ścieżkę i rok użytkowania przez innych.

Jeśli zadanie polega na podejmowaniu decyzji — brama, triaż, próg na ustalonej taksonomii, gdzie liczba jest użyteczniejsza niż zdanie — projekt SingVL_S1_4B jest lepszym dopasowaniem, a jego wynik eliminuje całą klasę parsowania na dalszych etapach. Ale „lepsze dopasowanie” to stwierdzenie o architekturze w drugim dniu wydania bez licencji i należy je czytać jako powód do obserwowania, a nie jako powód do budowania.

Zespół, który chce przetestować wzorzec decyzyjny już teraz, zamiast czekać, aż inclusionAI dokończy formalności, może go wywołać jeszcze dziś: OrcaRouter udostępnia TypeSafe Jev 1.14 — typesafe/jev-1.14, $0.042 za milion tokenów wejściowych — na tym samym kluczu co ponad 200 innych modeli, w cenie katalogowej dostawcy z 0% marży, więc zmiana ceny od dowolnego dostawcy pojawia się tego samego dnia. Sing VL S1 nie jest dostępny na OrcaRouter i nigdzie nie ma hostowanej lokalizacji, więc to nie jest twierdzenie o dostępności; to tańszy sposób, aby sprawdzić, czy wyniki probabilistyczne biją ramki na Twoich własnych danych. Jeśli tak, wróć do checkpointu, gdy będzie miał warunki. Jeśli nie, zaoszczędziłeś GPU i przegląd prawny.

Te dwa modele wciąż będą wymieniane jednym tchem, ponieważ oba unikają interfejsu czatu. To podobieństwo powierzchowne. W głębi jeden jest lokalizatorem, a drugi oceniającym, a potok, który budujesz, już wie, którego z nich potrzebuje.