WeVisOne-VL-4B vs Moondream 3: jeden nie ma API, drugi traci to, co własne

13 listopada 2026 r. Moondream Cloud przestaje odpowiadać. Hostowane API, dzięki któremu Moondream 3 był integracją w jednej linii, zostaje zamknięte, zakupione kredyty są zwracane, a wraz z nim odchodzi produkt do dostrajania Lens. Do tej daty zostały trzy tygodnie. WeVisOne-VL-4B wręcz przeciwnie — nigdy nie miał API, które mógłby stracić: Tencent opublikował wagi 22 października 2026 r. bez endpointu, bez cennika i bez zapowiedzi. Praktyczne pytanie w tym porównaniu nie brzmi już więc „który mały model wizyjny jest lepszy”. Brzmi ono: „który zestaw wag chcę samodzielnie obsługiwać”, ponieważ od dziś oba modele są decyzjami o hostowaniu we własnym zakresie, a jeden z nich właśnie stał się nią mimowolnie.

To naprawdę dwie różne maszyny, a ta różnica wyjaśnia, dlaczego jedna miała biznes w chmurze, a druga nie.

Co się stało z Moondream 3

Oś czasu warto przedstawić, ponieważ łatwo go przeoczyć, a zmienia on rachunek. Moondream 3 Preview ukazał się 18 września 2025 r. jako model typu mixture-of-experts z 9 mld parametrów i 2 mld parametrów aktywnych. Moondream 3.1 pojawił się 7 lipca 2026 r. 13 października 2026 r. Prime Intellect ogłosił przejęcie Moondream — wraz z zespołem założycieli i silnikiem inferencji Photon — a własny wpis Moondream ukazał się dzień później. Miesiąc później usługa chmurowa zostaje zamknięta.

Żadne z tego nie usuwa wag. Pozostają one na Hugging Face na licencji Business Source License 1.1 z Additional Use Grant, a Photon nadal można bezpłatnie uruchamiać na najnowszych GPU Nvidia i Apple Silicon, z kompatybilnym lokalnym API i bez wymaganego klucza w przypadku modelu bazowego. Znika natomiast ścieżka hostowana — to, co pozwalało zespołowi ocenić Moondream 3 w jedno popołudnie bez posiadania GPU.

Dwie architektury, dwa powody istnienia

Moondream 3 to model rzadki: 9 mld parametrów łącznie, 2 mld aktywnych na token, 64 ekspertów z 8 aktywowanymi, zainicjalizowany z gęstego modelu Moondream 2 o 2 mld parametrów poprzez upcycling. Ma kontekst 32K, enkoder wizyjny SigLIP z konkatenacją kanałów wielu przycięć oraz tokenizator SuperBPE, który według firmy przyspiesza generowanie o 20–40%. Celem projektowym było rozumowanie wizualne bliskie czołówce przy koszcie bliższym modelowi o 2 mld parametrów — płacisz za 2 mld aktywacji, dostajesz część zachowania 9 mld.

WeVisOne-VL-4B to gęsty i skupiony na jednym celu model: szkielet Qwen3-VL o 4,83 mld parametrów, tokeny współrzędnych od <0> do <1000> dla ramek i punktów oraz dekoder o 9,6 mln parametrów wyzwalany specjalnym tokenem <OBJ>, który zamienia przewidzianą ramkę w maskę, a następnie w matę alfa o pełnej rozdzielczości. Podczas gdy Moondream rozkłada zdolności na wiele zadań wizualnych, WeVisOne koncentruje się na ostatniej mili lokalizacji — w tym na części, której prawie nikt nie dostarcza: przezroczystości o miękkich krawędziach.

• Łączna liczba parametrów — WeVisOne-VL-4B: 4,83 mld gęstych vs Moondream 3: 9 mld łącznie, 2 mld aktywnych

• Rozmiar wag — około 19 GB w F32 dla 4B w porównaniu z około 18 GB w FP16 dla Moondream 3, około 6 GB w społecznościowym kwancie INT4

• Kontekst — niepublikowany vs 32 768 tokenów

• Wynik pikselowy — maski instancji i ciągłe maty alfa przy kroku 1 w porównaniu z maskami segmentacji

• Licencja — Apache 2.0 dla kodu autorstwa Tencent vs Business Source License 1.1 z dodatkowym grantem użytkowym

• Hostowane API — nigdy żadne vs zamknięcie 13 listopada 2026

• Silnik wnioskowania — standardowy vLLM, SGLang lub pakiet projektu w porównaniu z Photonem, zaprojektowanym specjalnie do tego celu

Liczby w benchmarku nie są tego samego rodzaju.

{{1}}Strona modeli Moondream{{/1}} podaje COCO mAP na poziomie 51,2. {{2}}README WeVisOne{{/2}} podaje średnią F1 dla COCO na poziomie 57,1, a F1 przy IoU 0,5 na poziomie 74,0. Tych liczb nie można od siebie odejmować. Średnia średnia precyzja (mAP) i F1 przy stałym progu IoU premiują odmienne zachowania: mAP karze model, który znajduje obiekty, ale źle je szereguje, podczas gdy F1 przy 0,5 wybacza luźne ramki. Każdy, kto twierdzi, że WeVisOne przewyższa Moondream 3 o sześć punktów na COCO, porównał dwa różne egzaminy.

Wiersze segmentacji są bliższe porównywalności i bardziej interesujące. Moondream podaje 83,2 mIoU dla segmentacji RefCOCO val; WeVisOne podaje 81,4 cIoU dla RefCOCO val. Oba są miarami przecięcia przez sumę względem wyrażeń referencyjnych w tym samym podziale zbioru danych, ale mIoU i cIoU agregują odmiennie na obrazach, więc różnica 1,8 punktu mieści się z zapasem w szumie wyboru metryki. Traktuj je jako mniej więcej na tym samym poziomie.

To, czym obie tabele naprawdę się różnią, dotyczy tego, co w ogóle zdecydowano się raportować. Moondream publikuje ScreenSpot 80,4, OCRBench 61,2, TextVQA 76,3, POPE 89,0 oraz CountBenchQA na poziomie niskich dziewięćdziesiątych, w zależności od tego, którą z jego własnych stron się przeczyta — wpis premierowy i strona modeli nie zgadzają się ze sobą w kilku wierszach, co warto wiedzieć, zanim zacytuje się którąkolwiek z nich. WeVisOne publikuje odsetki odrzuceń (96,4% na WeRef-Bench), gęstą detekcję na Dense200 i VisDrone oraz błąd mattingu na P3M-500-NP i AM-2K. Autorzy żadnego z modeli nie oceniali drugiego.

Licencjonowanie przesądzi o większej liczbie transakcji niż benchmarki

WeVisOne-VL-4B jest objęty licencją Apache 2.0 w przypadku kodu autorstwa Tencent. Moondream 3 jest objęty licencją Business Source License 1.1 z Additional Use Grant, który pozwala na użytek osobisty, badawczy i większość zastosowań komercyjnych, ale wymaga uzgodnienia z M87 Labs w przypadku hostowania lub ponownego hostowania modelu przez podmioty trzecie. Jeśli budujesz narzędzie wewnętrzne, oba są w porządku. Jeśli budujesz produkt, którego wartość polega na udostępnianiu tego modelu innym osobom, tylko jeden z nich jest prosty.

Przejęcie wprowadza ryzyko drugiego rzędu, które nie ma nic wspólnego z tekstem licencji: opiekę nad projektem. Model, którego komercyjna spółka-matka właśnie zmieniła właściciela, a którego hostowany produkt jest zamykany, to model, którego planu rozwoju nie da się odczytać. To nie jest powód, by go unikać — wagi się pobiera, a nie wynajmuje — ale jest powód, by go przetestować, zamiast w tym kwartale przyjmować go jako standard.

Ile faktycznie warta jest funkcja mattingu

Moondream 3 zwróci maskę segmentacji dla „osoby”. WeVisOne-VL-4B zwróci maskę i matę alfa z częściową przezroczystością wzdłuż włosów, futra i miękkich krawędzi, dopracowaną przy kroku 1. W potoku komponowania to różnica między wycięciem z twardą aureolą a takim, które można umieścić na nowym tle bez etapu oczyszczania.

Liczby Tencenta dotyczące tego rozwiązania są uderzające i niezweryfikowane: średnia różnica bezwzględna wynosząca 7,3 na P3M-500-NP wobec 15,4 dla najsilniejszego baseline’u wymienionego przez autorów oraz 9,8 w mattingu wyrażeń referencyjnych na WeRefMat wobec 22,4. Pochodzą one z artykułu, zostały uzyskane przez autorów modelu i nie zostały odtworzone. Są też jedynym publicznym dowodem, że to podejście działa, ponieważ żadne niezależne laboratorium jeszcze go nie przetestowało.

Obsługa modelu, gdy endpoint znika

Wyłączenie Moondream to przydatne przypomnienie, że hostowany endpoint jest zależnością, której czas życia kontroluje ktoś inny. Ani Moondream 3, ani WeVisOne-VL-4B nie znajdują się dziś w katalogu OrcaRouter, więc nie jest to reklama trasy, która istnieje — to powód, dla którego warstwa routingu w ogóle istnieje.

Kiedy dostawca wycofuje model, różnica między awarią a zmianą konfiguracji polega na tym, czy Twoja aplikacja odwołuje się do nazwy modelu, czy do adresu URL punktu końcowego. OrcaRouter udostępnia ponad 200 modeli pod jednym kluczem bez marży (0%) względem ceny katalogowej dostawcy, a automatyczne przełączanie awaryjne kieruje żądanie do sprawnego dostawcy zamiast zwracać błąd. W przypadku potoku zbudowanego na modelu, który może zostać przejęty, ta abstrakcja to element, którego nie da się dorobić w trzy tygodnie.

Rekomendacja, trzy tygodnie wcześniej

Jeśli uruchamiasz Moondream 3 Preview lub 3.1 przez hostowane API, decyzję trzeba podjąć teraz i nie chodzi w niej o jakość: przejdź na self-hosting Photon albo wybierz inny model, zanim nadejdzie 13 listopada. Nie czekaj, aż pojawi się usługa zastępcza.

Jeśli wybierasz coś świeżego, a Twoja praca kończy się na maskach lub matach, WeVisOne-VL-4B jest ciekawszym zakładem i mniej sprawdzoną opcją — Apache 2.0, prawdziwy pomysł architektoniczny i zaledwie dwa dni publicznej historii. Jeśli potrzebujesz szerokiego rozumowania wizualnego z dojrzałym silnikiem wnioskowania i udokumentowanymi wynikami w wielu zadaniach, Moondream 3 nadal jest bezpieczniejszym modelem do samodzielnego hostowania, niezależnie od tego, czy dojdzie do przejęcia.

A jeśli tak naprawdę nie potrzebujesz ani jednego, ani drugiego, tylko ogólnego modelu wizyjnego za API, którego nie musisz utrzymywać, to zupełnie inne pytanie z o wiele krótszą odpowiedzią. Żaden z tych modeli nim nie jest.