WeVisOne-VL-2B vs Moondream 3: Licencja i termin

13 listopada 2026 r. hostowany endpoint udostępniający Moondream 3 Preview przestaje odpowiadać. To ta data, a nie jakikolwiek benchmark, sprawia, że to porównanie jest pilne: zespoły, które zbudowały rozwiązania na chmurze Moondream, mają około trzech tygodni od powiadomienia o wyłączeniu na decyzję, co ma to zastąpić, a wagi, na które musiałyby się ewentualnie przełączyć, mają licencję, której większość z nich nigdy dokładnie nie przeczytała. WeVisOne-VL-2B to oczywisty kandydat do postawienia obok niego — model percepcji 2B od zespołu WeChat Vision Tencenta, opublikowany 22 października 2026 na licencji Apache 2.0, wykonujący te same zadania ugruntowanej percepcji: ramki, punkty, zliczenia i maski.

Te dwa modele to najbliższa para w tej serii. Oba są zbudowane wokół wskazywania rzeczy, a nie ich opisywania. Oba zwracają maski. Oba zostały wytrenowane, by mówić „nie ma tego”, gdy celu nie ma. A jednak prawie nic z tego, co opublikował którykolwiek z dostawców, nie da się odjąć od drugiego, ponieważ mierzyli różne rzeczy na różnych zestawach narzędzi w różnym czasie. Porównać można licencję, format wyjściowy i ścieżkę wdrożenia — i w tych trzech kwestiach odpowiedź nie jest bliska.

Dlaczego ci dwaj są w tej samej konwersacji

Moondream 3 Preview, wydany 18 września 2025 r., przekonywał, że mały model może natywnie realizować ugruntowaną percepcję: wykrywać, wskazywać, liczyć, segmentować i odpowiadać — wszystko z jednego punktu kontrolnego, bez orkiestrowania osobnego detektora i osobnego modelu rozumującego. Jest to rzadka mieszanina ekspertów o łącznej liczbie 9 miliardów parametrów, z 2 miliardami aktywnych — 24 warstwy, pierwsze cztery gęste, pozostałe zawierające 64 ekspertów, z 8 aktywowanymi na token — kontekst 32 768 tokenów, niestandardowy tokenizator SuperBPE i enkoder wizyjny oparty na SigLIP.

WeVisOne-VL-2B pojawia się rok później, przedstawiając węższą wersję tego samego argumentu. Ma 2 mld parametrów i jest zbudowany na Qwen3-VL, a pracę dzieli na dwie części: model językowy emituje współrzędne za pomocą dedykowanych tokenów, a osobny dekoder z 9,5 mln parametrów zamienia każdą oznaczoną instancję w maskę lub ciągłą matę alfa. Tencent nie próbował stworzyć ogólnego asystenta. Próbował stworzyć silnik percepcji i powiedział to wprost w sekcji ograniczeń.

Podobieństwo rodzinne jest rzeczywiste, dlatego różnice mają większe znaczenie, niż miałyby między niepowiązanymi modelami.

Mapy zdolności obok siebie

• Parametry — łącznie 9B, z 2B aktywnymi dla Moondream 3 Preview w porównaniu z około 2B gęstych dla WeVisOne-VL-2B, plus wymagany dekoder z 9,5 mln parametrów.

• Dane wyjściowe maski — ciągi ścieżek SVG oraz ramka ograniczająca w Moondream, które według jego dokumentacji są natywnymi maskami wektorowymi; rastrowe maty alfa w pełnej rozdzielczości przy kroku 1 w WeVisOne, w tym miękka przezroczystość dla włosów i futra.

• Rozumowanie — Moondream 3 ma opcjonalny tryb łańcucha myśli i rozumuje o obrazie, wskazując na jego elementy; WeVisOne generuje ustrukturyzowane dane wyjściowe całkowicie bez łańcucha myśli — to wybór Tencenta podyktowany wydajnością wnioskowania.

• Kontekst — 32 768 tokenów opublikowanych na karcie Moondream w porównaniu z brakiem opublikowanej długości kontekstu dla WeVisOne, którego artykuł opisuje trenowanie przy 4 096 i 8 192 tokenach oraz wnioskowanie przy maksymalnie 1 960 tokenach wizualnych na obraz.

• Dane wejściowe — obrazy w obu przypadkach, ale Moondream udostępnia udokumentowane API chmurowe ze strumieniowaniem częściowych wyników; WeVisOne odrzuca siatki wideo w swoim dekoderze pikseli i z założenia obsługuje tylko jedną turę.

• Licencja — Business Source License 1.1 z dodatkowym uprawnieniem użytkowym (Additional Use Grant) dotyczącym Moondream, Apache 2.0 dla WeVisOne.

• Wydanie — 18 września 2025 r. vs 22 października 2026 r., trzynaście miesięcy odstępu.

• Hosting — Moondream Cloud do 13 listopada 2026 r., następnie wyłącznie self-hosted; brak hostowanego endpointu dla WeVisOne od Tencenta ani od jakiegokolwiek dostawcy, którego możemy zweryfikować.

Numery, wraz z dołączonymi do nich instrumentami

Tu właśnie porównanie zamienia się w ćwiczenie z czytania przypisów. Każda podana poniżej liczba pochodzi od dostawcy; żaden z modeli nie ma niezależnej oceny w Artificial Analysis ani nigdzie indziej, gdzie udało nam się takiej szukać.

• RefCOCO — wykres z premiery Moondream podaje 91,1, obok 88,6 na RefCOCOg i 81,8 na RefCOCO+. To są wyniki dokładności w stylu detekcji, a sam Moondream opisał ten wykres jako nierówną walkę: czołowe modele bazowe były odpytywane przez szablony, ponieważ nie mają natywnego ugruntowania, a kilka wyników wersji zapoznawczej pochodziło z próbek po 100 pytań, a nie z pełnych zestawów ewaluacyjnych.

• RefCOCO w WeVisOne — Tencent nie publikuje wyniku detekcji dla RefCOCO. W tabeli detekcji referencyjnej podaje RefCOCOg na poziomie 77,1 średniego F1 dla modelu 2B, a w tabeli segmentacji podaje RefCOCO dla zbioru walidacyjnego na poziomie 79,7 cIoU. Inne zadanie, inna statystyka, inny podział.

• Segmentacja — marcowa aktualizacja segmentacji Moondream z 2026 r. podaje mIoU 83,2 na walidacji RefCOCO, 79,1 na RefCOCO+ i 80,7 na RefCOCOg, a osobno 88,2 na wysokiej wierności RefCOCO-M. WeVisOne podaje 79,7, 73,1 i 74,4 na tych samych trzech podziałach — ale jako cIoU, co artykuł wyraźnie stwierdza. Średnie IoU i skumulowane IoU inaczej ważą obrazy, więc ta różnica jest sugestywna, a nie zmierzona.

• Liczenie — Moondream podaje CountBenchQA na poziomie 93.2. WeVisOne podaje CountQA na poziomie 47.9 w metryce exact-match, PixMo-Count na poziomie 90.9 i 88.1 oraz CLOC na poziomie 27.5 i 26.9. CountBenchQA i CountQA to nie ten sam zbiór danych, a exact-match na zbiorze do liczenia jest bezlitosny w sposób, w jaki dokładność na zbiorze wielokrotnego wyboru nie jest. Rozrzut w obrębie samego wiersza liczenia WeVisOne — 90.9 na jednym zbiorze danych, 27.5 na innym — jest lepszym ostrzeżeniem dotyczącym benchmarków liczenia niż jakiekolwiek porównanie między dostawcami.

• Detekcja — Moondream podaje detekcję COCO na poziomie 51,2. WeVisOne podaje średnią F1 dla COCO na poziomie 55,2 w różnych progach IoU. Czy chodzi o tę samą statystykę, nie jest podane po żadnej ze stron — i na tym właśnie polega problem.

To, co się wyłania, nie jest zwycięzcą. To dwa modele, z których oba twierdzą, że mają silną ugruntowaną percepcję, mierzoną instrumentami, które nigdy nie zostały skalibrowane względem siebie, przy czym jeden z nich opublikowano na wykresie, który jego własny autor określił jako niesprawiedliwy.

Licencja to prawdziwe rozdroże

Wagi Moondream 3 Preview są udostępniane na licencji Business Source License 1.1 z Additional Use Grant, którego krótka nazwa brzmi „No Third-Party Service”. Grant obejmuje projekty osobiste, badania, benchmarki, dostrajanie, scalanie, kwantyzację i delty wag. Nie obejmuje natomiast uruchamiania usługi, która pozwalałaby stronom trzecim korzystać z modelu — czyli tego, co większość firm faktycznie chce zbudować.

To istotne ograniczenie i jedyne miejsce, w którym porównanie daje jednoznaczną odpowiedź. Karta WeVisOne-VL-2B przyznaje licencję Apache 2.0 na kod autorstwa Tencent, przy czym komponenty stron trzecich zachowują własne warunki. Żadnego progu przychodowego, żadnego wyłączenia dotyczącego pola zastosowania, żadnej rozmowy z prawnikiem o tym, czy Twój produkt liczy się jako usługa podmiotu trzeciego.

Jeśli wybierasz między tymi dwoma, aby zbudować coś komercyjnego, licencja decyduje o wyniku bardziej niż jakikolwiek benchmark z poprzedniej sekcji. Model, którego nie możesz legalnie udostępniać, nie jest tańszą opcją; to inny produkt.

Jeśli teraz korzystasz z Moondream Cloud

Ogłoszenie o zamknięciu pojawiło się wraz z podaniem jego przyczyny. Moondream i jego następca Moondream 3.1 są teraz częścią Prime Intellect, która ogłosiła przejęcie 13 października 2026 r.; założyciele Vik Korrapati i Jay Allen dołączają, aby pokierować inferencją. Wpis samego Moondream jest datowany na 14 października. Ogłoszenie miało jedną linijkę: 13 listopada 2026 r., czyli za trzydzieści dni, Moondream Cloud zostanie zamknięta, a niewykorzystane zakupione kredyty zostaną zwrócone.

Warto oddzielić dwie rzeczy. Modele nie są wycofywane — wagi pozostają tam, gdzie są, a licencja się nie zmienia. Kończy się natomiast ścieżka hostowana, ta, z której faktycznie korzysta większość zespołów. Photon, silnik wnioskowania Moondream, jest częścią tego, co kupił Prime Intellect, a jego atutem jest przepustowość: 34 żądania na sekundę dla Moondream 3.1, ponad 60 wnioskowań na sekundę na pojedynczym H100. To liczby Prime'a i to Prime jest teraz stroną, która je sprzedaje.

Dla każdego, kto migruje, uczciwe opcje są trzy. Samodzielnie hostuj wagi Moondream, które już masz, i zaakceptuj warunki BSL. Przejdź na hostowany model, który nie zniknie, akceptując, że większość z nich nie zwraca masek. Albo przejdź na model open-weights na licencji Apache-2.0 i przejmij wdrożenie — i tu wkracza WeVisOne-VL-2B, z zastrzeżeniami, że nie jest to zamiennik typu drop-in i że jego dowody są słabsze.

To nie jest zamiennik typu drop-in z trzech konkretnych powodów. Format wyjściowy jest inny: ścieżki SVG kontra rastrowe maty alfa, co zmienia kod komponowania w dalszym etapie. Nie ma trybu chain-of-thought, więc każdy potok przetwarzania, który polegał na śladach ugruntowanego rozumowania Moondream, traci je. Nie opublikowano też długości kontekstu, więc przepływ pracy, który podawał Moondream długie prompty z wieloma obrazami, nie ma określonego pułapu, względem którego można projektować.

To także miejsce, w którym warstwa routingu udowadnia swoją wartość, i warto precyzyjnie określić, co może, a czego nie może zrobić. OrcaRouter nie obsługuje Moondream 3 ani WeVisOne-VL-2B; żaden z nich nie znajduje się w naszym katalogu i nie będziemy udawać, że migracja to zmiana URL-a. To, co możemy zrobić, to utrzymać hostowaną część Twojego stosu jako przenośną: jeden klucz API obejmujący ponad 200 modeli w cenie katalogowej dostawcy bez marży, automatyczne przełączanie awaryjne, gdy dostawca pogarsza jakość działania, oraz DSL routingu, który pozwala przenosić ruch między hostowanymi modelami bez dotykania kodu aplikacji. Jeśli lekcją z 13 listopada jest to, że pojedyncza hostowana zależność to pojedynczy punkt awarii, rozwiązaniem jest warstwa abstrakcji, a nie inna pojedyncza zależność.

Co zdecydować przed 13 listopada

Jeśli uruchamiasz Moondream 3 Preview przez API w chmurze i nic więcej, decyzja tak naprawdę nie dotyczy wyboru między Moondream a WeVisOne. Chodzi o to, czy w ogóle chcesz samodzielnie odpowiadać za wnioskowanie. Samodzielne hostowanie Moondream zachowuje zachowanie, względem którego masz już dostrojone rozwiązanie, na licencji zezwalającej na użytek wewnętrzny i badawczy, ale nie na odsprzedaż jako usługę. Samodzielne hostowanie WeVisOne daje czystsze warunki i miękkie maty alfa, kosztem modelu, którego nikt niezależny nie przetestował, oraz dekodera działającego tylko na pojedynczych obrazach.

Jeśli zaczynasz od zera — bez istniejącego pipeline’u, bez dostrojonych promptów, bez wcześniej wdrożonej integracji — kalkulacja jest prostsza. WeVisOne-VL-2B ma licencję Apache 2.0 i 2B, Moondream 3 Preview jest dostępny w formie źródłowej i ma 9B przy 2B aktywnych, a jedynym benchmarkiem, który oba publikują w formie zachęcającej do porównania, jest segmentacja, gdzie definicje metryk po cichu się rozjeżdżają. Wybieraj na podstawie licencji i formatu wyjściowego, a potem mierz na własnych obrazach, ponieważ żaden z dostawców nie podał liczby, której możesz zaufać w tym zestawieniu.