O endpoint hospedado do Moondream 3 Preview será encerrado em 13 de novembro

O Moondream 3 Preview foi lançado em 18 de setembro de 2025, e o endpoint que o serve deixa de responder em 13 de novembro de 2026. Essas são as duas datas que importam nesta história, e apenas a segunda é urgente. O modelo em si não será retirado — os pesos permanecem no Hugging Face e a licença não muda —, mas o caminho hospedado que a maioria das equipes realmente chama, compartilhado pelo Moondream 3 Preview e por seu sucessor Moondream 3.1, será desativado, e o aviso informou isso em uma única linha: em 13 de novembro de 2026, 30 dias a partir de hoje, o Moondream Cloud será encerrado, com reembolso dos créditos comprados não utilizados.

Esse aviso foi publicado junto com o motivo dele. Moondream 3 Preview e seu sucessor Moondream 3.1 agora fazem parte da Prime Intellect, que anunciou em 13 de outubro de 2026 que havia adquirido a Moondream, com os fundadores Vik Korrapati e Jay Allen se juntando para liderar e escalar a inferência. A própria publicação da Moondream é datada de 14 de outubro. Isto não é um lançamento e não deve ser noticiado como tal. É uma mudança de propriedade com um prazo rígido de migração atrelado, e se você tiver uma chamada de produção para api.moondream.ai em qualquer lugar da sua stack, você tem cerca de quatro semanas a partir da data dessa publicação para decidir o que vai substituí-lo.

O que a Prime Intellect realmente comprou

O anúncio é incomumente explícito sobre as duas coisas que mudaram de mãos, e nenhuma delas é um checkpoint de modelo. A primeira é a equipe: Korrapati e Allen estão se juntando para executar inferência e acelerar o trabalho multimodal, incluindo visão e uso de computador. A segunda é o Photon, o motor de inferência da M​oondream, que compila cada modelo em um único programa de GPU usando kernels personalizados e um compilador de megakernel por trás deles.

Leia o enquadramento e você entenderá por quê. O post da Prime abre com serving, não com arquitetura — seu argumento para o acordo é que "serving é onde a utilidade de um modelo é decidida." Os números que ele cita são de throughput: M​oondream 3.1 a 34 requisições por segundo, descrito como aproximadamente 24x mais rápido que o próximo modelo aberto mais preciso; mais de 60 inferências M​oondream por segundo em uma única H100; respostas em dezenas de milissegundos. Esses são os números da Prime e a Prime agora é a parte que vende a inferência, então trate-os como reportados pelo fornecedor. O que não é uma alegação do fornecedor é a direção do acordo: uma empresa cujo produto era um modelo de visão comprou um motor de inferência e colocou seus autores no comando da inferência.

Para qualquer pessoa que tenha uma integração com o M​oondream, a consequência prática é que os pesos abertos continuam abertos e, nas palavras do M​oondream, "vão continuar melhorando, agora a um ritmo muito mais rápido". O que vai desaparecer é a camada de conveniência — a API hospedada e o Lens, o produto de ajuste fino — que é exatamente a camada na qual muitas equipes pequenas se basearam porque não queriam rodar GPUs.

O que o Moondream 3 Preview realmente é

Vale a pena reiterar, porque um modelo lançado em setembro de 2025 que agora está sendo substituído no âmbito de uma aquisição é um modelo que muitas equipes só estão conhecendo por meio do aviso de encerramento. É uma mistura de especialistas esparsa e de granularidade fina, com 9B de parâmetros totais e 2B ativos por token, inicializado a partir do antigo M​oondream 2 denso de 2B por drop upcycling.

• Arquitetura — 24 camadas, as primeiras quatro densas e os demais blocos feed-forward MoE com 64 especialistas e 8 ativados por token, GeGLU, dimensão oculta 2048.

• Codificador de visão — baseado em SigLIP, com concatenação de canais multi-crop para entrada de alta resolução com uso eficiente de tokens. Esse detalhe de tiling será importante mais adiante.

• Contexto — 32K tokens utilizáveis, ante cerca de 2K na geração anterior, usando um tokenizador SuperBPE personalizado. A publicação de prévia é sincera ao afirmar que o pós-treinamento ainda não explora totalmente a janela longa e que os 32K completos estão ali principalmente para quem faz ajuste fino.

• Habilidades — consulta, legenda, apontamento e detecção, todas nativas e todas retornando saída estruturada. Detecção e apontamento foram as duas nas quais o lançamento mais se apoiou.

• Raciocínio — híbrido. consulta é executada no modo de raciocínio por padrão e pode ser chamada com o raciocínio desativado para perguntas simples e de baixo custo. A abordagem do Moondream é que isto é visual raciocínio com ancoragem: o traço de raciocínio faz referência a regiões específicas da imagem.

• Licença — a Business Source License 1.1 com uma Concessão de Uso Adicional, que permite uso comercial e de produção, ajuste fino, quantização e redistribuição, e proíbe vender um serviço hospedado que exponha capacidades de uso geral do M​oondream.

A última linha é a que moldou discretamente o ecossistema, e vale a pena ser preciso quanto a ela porque M​oondream 3.1 passou para um instrumento totalmente diferente — a M​oondream Model License 1.0, em vigor a 7 de julho de 2026. A regra é a mesma em substância e está formulada de maneira mais clara: se o M​oondream for um componente do seu produto, está permitido, e se o acesso ao próprio M​oondream for o produto, é necessária uma licença separada. Auto-hospedagem, implantação na borda, VPCs controladas pelo cliente, executá-lo em GPUs alugadas na nuvem, ajuste fino como parte de serviços profissionais e APIs específicas de domínio que não exponham funcionalidade de uso geral são todos explicitamente permitidos. Inferência de uso geral operada por provedores, ajuste fino de uso geral hospedado e APIs compartilhadas que exponham um derivado com ajuste fino são os três que exigem um acordo.

É por isso que o aviso de encerramento existe na forma que tem. A Moondream não podia simplesmente entregar o seu endpoint alojado a um terceiro — a exceção da licença é precisamente sobre isso —, por isso o endpoint fecha e a migração passa para a Prime, que agora é a sua proprietária.

Os dois números que merecem desconfiança

O próprio relatório de benchmark do Moondream merece mais escrutínio do que costuma receber, porque a empresa é mais transparente sobre seu método do que a maioria, e o método está fazendo muito trabalho.

Para a prévia, o gráfico de lançamento colocou o Moondream 3 Preview contra GPT-5, Gemini 2.5-Flash e Claude 4 Sonnet. Nas colunas de detecção de expressões referenciais, a diferença é ampla e não pode, plausivelmente, ser um artefato: RefCOCO em 91,1 para a prévia contra 75,8 para o Gemini 2.5-Flash, 57,2 para o GPT-5 e 30,1 para o Claude 4 Sonnet. A própria ressalva do Moondream é a parte importante — os modelos de fronteira não suportam grounding nativamente, então foram consultados por meio de um template, e algumas pontuações da prévia foram calculadas em uma amostra aleatória de 100 perguntas em vez do benchmark completo. Uma consulta de grounding com template feita a um modelo sem habilidade de grounding mede engenharia de prompt tanto quanto mede o modelo.

Para o Moondream 3.1, o método é ainda mais significativo, e merece ser dito claramente: as pontuações publicadas nos benchmarks foram produzidas por ajuste fino do modelo no próprio conjunto de treinamento de cada benchmark usando o Lens, o produto de ajuste fino do Moondream — LoRAs por tarefa, SFT e RL — e depois destilando o que esses LoRAs aprenderam de volta para os pesos base, de modo que o checkpoint disponível para download tenha boas pontuações sem nenhum ajuste. O post do 3.1 diz isso abertamente e até observa que a base destilada fica logo atrás dos LoRAs individuais. Esse é um fluxo de trabalho legítimo e interessante, e também não é a mesma coisa que um número frio pronto para uso, porque as tarefas em questão tiveram seus conjuntos de treinamento alimentados ao modelo. Se você está comparando o 3.1 com um modelo que nunca viu esses conjuntos, você está comparando um artefato ajustado com um não ajustado.

Nada disso torna os números errados. Atribui à rotulagem uma função estrutural, que é o mesmo critério que aplicamos a qualquer gráfico de fornecedor.

Seus três caminhos de migração

Se o endpoint hospedado estiver na sua stack, a decisão é mais restrita do que parece.

• Auto-hospedagem com o Photon — O Photon permanece gratuito e é executado localmente em GPUs N​VIDIA a partir da arquitetura Ampere e em Macs com Apple Silicon, com a mesma superfície de API do M​oondream Cloud. pip install moondream, carregue com local=True, e nenhuma chave de API é necessária para o modelo base. Os pesos são baixados do Hugging Face no primeiro uso. Este é o caminho que preserva seu código quase inalterado e transfere o custo de por token para por GPU-hora.

• Migre para o Prime — o aviso diz que a Moondream e a Prime entrarão em contato com os próximos passos e apontam para a Prime para inferência, ajuste fino ou necessidades semelhantes, com contact@moondream.ai para problemas urgentes. A Prime agora é o único lugar onde o caminho hospedado continua, e ele será executado na stack da Prime, e não na da Moondream.

• Substitua o modelo — se o M​oondream 3 Preview estava na sua stack porque era um detector de imagens em mosaico barato e rápido, e não porque houvesse algo nele especificamente de M​oondream, o encerramento é um momento razoável para rodar novamente seu próprio conjunto de avaliação em vez de recorrer por padrão a uma substituição equivalente.

O que se deve evitar é o quarto caminho, que é não fazer nada até 12 de novembro. Os créditos estão sendo reembolsados, portanto não há razão financeira para continuar chamando um endpoint que está prestes a parar de responder, e uma migração que começa na semana anterior a um prazo final rígido é uma migração em que você descobre do que seus prompts de grounding realmente dependiam.

Se o modelo que você padronizar acabar sendo um dos mais de 200 do catálogo do OrcaRouter, uma parte disso fica mais fácil: uma única chave e um único formato de requisição para todos eles, preço de tabela do provedor repassado sem markup, e failover automático quando um upstream se degrada. O M​oondream 3 Preview não está nesse catálogo, e o M​oondream 3.1 também não — ambos são pesos que você mesmo hospeda ou acessa via Prime —, então, para esta migração específica, a camada de roteamento ajuda com o que você rotear a seguir, e não com o próprio M​oondream. Vale dizer isso com clareza, em vez de dar a entender o contrário.

O que assistir nas próximas quatro semanas

Três coisas dirão mais do que qualquer comunicado de imprensa. Primeiro, se a Prime publica um substituto de inferência para o M​oondream Cloud antes de 13 de novembro ou depois; o aviso não indica data, e um intervalo entre o encerramento e um serviço substituto é o desfecho que mais custa aos usuários. Segundo, se a licença de download do M​oondream 3.1 permanece como está escrita sob a nova propriedade — a restrição de serviço hospedado da Model License 1.0 é a razão inteira pela qual o endpoint antigo tem de fechar em vez de ser transferido, então qualquer revisão dela muda o que é possível. Terceiro, se o "ritmo muito mais rápido" de melhoria que a M​oondream prometeu produz um checkpoint em vez de um anúncio; o último lançamento de modelo sob a antiga empresa foi o 3.1 em 7 de julho de 2026, e os lançamentos desde então foram versões Photon e modelos de fala.

O que já está definido é a data. O M​oondream 3 Preview está disponível de forma geral em seu endpoint hospedado desde outubro de 2025, foi substituído pelo M​oondream 3.1 há três meses e, em 13 de novembro de 2026, a versão hospedada de ambos será encerrada. Os pesos não vão a lugar nenhum. A conveniência, sim.

Nada disso é hipotético: as falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz as suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.