SingVL_S1_4B vs Moondream 3: Coordenadas ou Probabilidades

Ambos os modelos prometem estrutura em vez de prosa, e é aí que a semelhança termina. Moondream 3 responde em coordenadas: peça-lhe para encontrar as pessoas em uma fotografia e ele retorna caixas com rótulos; pergunte onde está a alça e ele retorna pontos; peça uma legenda e ele retorna uma frase. SingVL_S1_4B responde em probabilidades: entregue-lhe opções e ele retorna um número por opção; entregue-lhe uma afirmação e ele retorna a chance de a afirmação ser verdadeira. Um diz onde algo está. O outro diz o quão seguro ele está. Escolher entre eles é uma questão sobre qual dessas duas respostas seu pipeline sempre precisaria, e os dois raramente se substituem.

As duas formas de "saída estruturada"

Moondream 3 é um modelo de visão de mistura de especialistas — 9B parâmetros totais, 2B ativos — que o fornecedor, Moondream, descreve como criado para raciocínio visual e detecção com custo adequado para implantação. Quatro habilidades são nativas em vez de acionadas por prompt: query para resposta a perguntas visuais, detect para caixas de vocabulário aberto, point para pontos centrais e caption. Todas as quatro retornam saída estruturada em vez de texto conversacional, e os pesos são gratuitos para baixar e executar localmente por meio do mecanismo de inferência do próprio fornecedor, Photon, em GPUs NVIDIA da geração Ampere em diante ou em Apple silicon. O modelo surgiu como prévia em setembro de 2025 e foi substituído pelo Moondream 3.1 em julho de 2026, que é a geração atual da mesma arquitetura.

SingVL_S1_4B é um modelo de decisão, enviado por inclusionAI em 11 de novembro de 2026 sem anúncio. Ele recebe um estado — texto, JSON ou até quatro imagens — e um dicionário de perguntas nomeadas, cada uma declarando um tipo e suas respostas candidatas. Choice retorna uma probabilidade por opção, noul retorna a probabilidade de que uma proposição sim/não seja verdadeira, score retorna uma probabilidade por nível em dois a dez níveis ordenados, além de um nível esperado. Uma passagem direta por solicitação, sem geração de tokens, sem saída de formato livre de qualquer tipo.

Em termos concretos: dê ao Moondream 3 uma foto de armazém e a palavra "pallet", e ele retorna caixas. Dê ao SingVL_S1_4B a mesma foto com a pergunta "este frame é seguro para expedição" e as candidatas sim e não, e ele retorna 0,91 e 0,09. Ambos são estruturados. Nenhum consegue produzir a saída do outro.

Para que serve realmente o modelo 9B

O material de lançamento do próprio Moondream é incomumente franco sobre os limites dos benchmarks e, ainda assim, publica um conjunto denso deles de qualquer forma. Na detecção em F1@0,5, os números que importam são COCO em 81,46, ODinW-13 em 93,94, Dense200 em 74,61 e SKU-110K em 52,77 — sendo os dois últimos conjuntos de cenas lotadas nos quais um modelo de visão genérico normalmente colapsa. A detecção por referência fica em 87,1 no RefCOCO-M. Em contrapartida, LVIS em 67,4 e HumanRef em 70,39 são as linhas em que ele perde para um concorrente, as quais o fornecedor publica em vez de esconder.

Esse perfil — forte em detecção densa e de vocabulário aberto, mais fraco em referenciamento refinado, onde um especialista vence — é o que o MoE de 2B ativos proporciona. O modelo é rápido porque a maioria de seus parâmetros não é usada por token, e é preciso em contagem e localização porque essas habilidades foram treinadas como competências de primeira classe, em vez de surgirem da geração de legendas.

O formato comercial merece atenção porque é o oposto de um lançamento de pesquisa. Os pesos são gratuitos sob a Licença do Modelo Moondream, executá-los localmente não exige chave de API, e o serviço hospedado tem preço por token: US$ 0,30 por milhão de entrada e US$ 1,00 por milhão de saída para tempo real, reduzidos pela metade para US$ 0,15 e US$ 0,50 no modo em lote. Há um nível gratuito, um playground, um caminho local documentado e um texto de licença que você pode ler. Nada nesse lançamento é ambíguo.

Para que o modelo 4.5B serve de fato

O card do SingVL_S1_4B publica uma tabela "Public Decision Index 0.3": 69,76 no painel de Texto e 73,94 em Visão, contra TypeSafe Jev 1.14 com 60,70 em texto, StartLux-Decision v1.1 4B com 67,8 e 67,90, e Perplexity Decider Flash v1.2 com 60,1 e 72,5. As linhas por conjunto de dados mostram de onde vem o agregado — InfographicVQA 96,31, Winoground 93,12, extração de informações-chave 95,82 no topo; MMMU-Pro visão 50,17, R-Bench-M 49,77 e moderação de memes de ódio 71,64 na parte inferior.

Esses são os números do próprio fornecedor em um ranking que seus próprios autores ajudaram a formalizar, produzidos pela pontuação de opções fornecidas em vez da geração de respostas, e ninguém os reproduziu. O repositório tinha dois dias quando isto foi escrito, tem zero downloads, não inclui arquivo de licença e não existe artigo. O kit público de reprodução do Decision Index não mostra nenhuma submissão deste modelo.

Então, a afirmação utilizável é estreita e estrutural, em vez de numérica: uma única passagem direta que retorna uma probabilidade calibrada por candidato é uma primitiva diferente de um modelo que retorna coordenadas ou texto. É a primitiva que você quer quando a decisão a jusante é um limiar — quando alguém já decidiu que acima de 0,8 você age e abaixo de 0,3 você escalona. Não é a primitiva que você quer quando a etapa a jusante precisa saber onde.

A sobreposição é menor do que o nome de um conjunto de dados compartilhado sugere.

Ambos os cartões abordam o grounding visual, e seria fácil comparar os números lado a lado e declarar um vencedor. Não faça isso. Três divergências tornam isso sem sentido.

• Formato da tarefa — As pontuações de deteção do Moondream vêm da emissão de caixas e da sua correspondência com a verdade de referência num limiar de IoU. As pontuações de visão do SingVL_S1_4B vêm de escolher entre opções escritas por outra pessoa. Um modelo que classifica corretamente candidatos não é, por isso, um modelo capaz de localizar.

• Harness — Moondream relata [email protected] em conjuntos nomeados de detecção sob suas próprias configurações de avaliação. SingVL_S1_4B relata acurácia dentro da suíte do Decision Index corrigida para o acaso e ajustada para cobertura. Mesma palavra, medição diferente.

• Autoria — ambos os conjuntos são reportados pelo fornecedor. O do Moondream passou por mais de um ano de escrutínio de terceiros e portes da comunidade; o do SingVL_S1_4B não passou por nenhum. Um desses números foi contestado publicamente.

Onde os dois realmente poderiam ser comparados é em uma tarefa que ambos conseguem expressar: esta imagem contém uma violação e qual categoria. O Moondream responderia com uma detecção ou uma resposta a uma consulta; o SingVL_S1_4B, com uma distribuição de escolhas. Esse é um experimento real que alguém deveria realizar, e ele não foi realizado.

Uma forma trabalhada, porque a API explica o produto.

A forma mais clara de ver a diferença é escrever a solicitação que cada modelo receberia para a mesma tarefa — a triagem de uma foto de entrega antes de ela chegar a um analista de sinistros.

{{1}}Com o Moondream 3, a chamada é detect(image, "damaged parcel"), e a resposta é uma lista de objetos com caixas delimitadoras e confiança, ou uma lista vazia se nada corresponder.{{/1}} Você descobre se danos foram encontrados e onde. {{2}}Depois, caption(image) fornece uma frase descrevendo a cena.{{/2}} Duas chamadas, duas estruturas, ambas sobre conteúdo.

Com o SingVL_S1_4B, a chamada carrega as perguntas na requisição. Uma pergunta de escolha pergunta se a encomenda está intacta, danificada ou ausente, com três candidatos. Uma pergunta noul pergunta se o rótulo está legível. Uma pergunta de pontuação avalia a qualidade da imagem em quatro níveis ordenados. A resposta carrega uma probabilidade por candidato para cada pergunta e um nível esperado para a pontuação. Uma chamada, três respostas, tudo sobre confiança.

O caminho do Moondream dá a um sistema de sinistros algo para exibir. O caminho do SingVL dá a ele algo sobre o que ramificar. Uma equipe que construir o primeiro achará o segundo inútil; uma equipe que construir o segundo achará que o primeiro exige um parser que ela não quer escrever. Esta é a decisão inteira, e ela é resolvida antes que o benchmark de qualquer um dos fornecedores seja aberto.

Executá-los também não é comparável.

O Moondream 3.1 é executado em uma GPU de estação de trabalho ou em um laptop Apple por meio do Photon, com os pesos baixados do Hub no primeiro uso e sem necessidade de chave para o modelo base. Há um endpoint hospedado com preços publicados por token, um nível gratuito e um quickstart documentado, e o fornecedor publica um guia de inferência local que abrange hardware compatível, streaming, finetunes e serving via Triton. Todos os caminhos estão documentados e todos os preços são públicos.

SingVL_S1_4B roda em uma GPU fornecida por você, a partir de um download BF16 de 9,1 GB, via um ambiente Python 3.12 e um servidor FastAPI vinculado à porta 8173 que responde em POST /v1/systemone. As instruções estão completas e os exemplos curl funcionam, o que é mais do que a maioria dos lançamentos discretos consegue. O que não existe é qualquer opção hospedada, qualquer build quantizado, qualquer integração com framework ou qualquer licença que permita redistribuir o que você baixou.

Essa última ausência tem uma conotação comercial. A licença do Moondream é personalizada — não é open source no sentido da OSI — e o fornecedor é explícito ao afirmar que hospedar os pesos como um serviço na nuvem exige a sua licença, e é por isso que o nível hospedado existe e tem preço definido. O SingVL_S1_4B não tem termos nenhuns, o que não é o mesmo que ser permissivo: sem qualquer concessão, ninguém fora da inclusionAI tem permissão para o utilizar comercialmente, e uma revisão jurídica vai parar aí.

Onde a decisão recai

Se a tarefa é encontrar coisas — contar estoque, localizar um componente, ler um layout em caixas, apontar para uma alça — o Moondream 3 é o único dos dois que consegue fazer isso, e seus números em cenas de multidão são o motivo para preferi-lo a um modelo de visão genérico para esse trabalho. Ele também tem uma tabela de preços, uma licença, um caminho local e um ano de uso por outras pessoas.

Se a tarefa é decidir — um gate, uma triagem, um limiar sobre uma taxonomia fixa em que um número é mais útil do que uma frase —, o design do SingVL_S1_4B é a opção mais adequada, e sua saída elimina toda uma classe de parsing downstream. Mas “mais adequada” é uma afirmação sobre arquitetura no segundo dia de um lançamento sem licença, e deve ser lida como um motivo para acompanhar, e não como um motivo para construir.

Uma equipe que quer testar o padrão de decisão agora, em vez de esperar a inclusionAI concluir a papelada, pode chamá-lo hoje: O OrcaRouter disponibiliza o TypeSafe Jev 1.14 — typesafe/jev-1.14, US$ 0,042 por milhão de tokens de entrada — na mesma chave que mais de 200 outros modelos, pelo preço de lista do provedor com 0% de markup, de modo que uma mudança de preço de qualquer fornecedor chega no mesmo dia. O Sing VL S1 não está no OrcaRouter e não tem hospedagem em lugar nenhum, então isto não é uma alegação de disponibilidade; é a maneira mais barata de descobrir se as saídas de probabilidade superam as caixas nos seus próprios dados. Se superarem, reconsidere o checkpoint quando ele tiver termos. Se não superarem, você economizou uma GPU e uma revisão jurídica.

Os dois modelos continuarão a ser mencionados juntos porque ambos evitam a interface de chat. Isso é uma semelhança superficial. Por baixo, um é um localizador e o outro é um pontuador, e o pipeline que você está construindo já sabe qual desses ele precisa.