SingVL_S1_4B vs Moondream 3: Координаты или вероятности

Обе эти модели обещают структуру вместо прозы, и на этом сходство заканчивается. Moondream 3 отвечает координатами: попросите найти людей на фотографии — и он вернёт рамки с метками; спросите, где находится ручка, — и он вернёт точки; попросите подпись — и он вернёт предложение. SingVL_S1_4B отвечает вероятностями: передайте ему варианты — и он вернёт число для каждого варианта; передайте утверждение — и он вернёт вероятность того, что утверждение истинно. Один говорит вам, где что находится. Другой говорит, насколько он уверен. Выбор между ними — это вопрос о том, какой из этих двух ответов вашему конвейеру всегда был нужен, и эти двое редко заменяют друг друга.

Две формы «структурированного вывода»

Moondream 3 — это визуальная модель со смесью экспертов: 9 млрд параметров всего, 2 млрд активных, которую разработчик Moondream описывает как созданную для визуального рассуждения и детекции при удобной для развёртывания стоимости. Четыре навыка являются нативными, а не задаются промптами: query — для ответов на вопросы по изображениям, detect — для рамок с открытым словарём, point — для центральных точек и caption — для подписей. Все четыре возвращают структурированный вывод, а не разговорный текст, а веса можно бесплатно скачать и запускать локально через собственный inference-движок разработчика Photon на GPU NVIDIA начиная с Ampere или на Apple silicon. Модель появилась в виде предварительной версии в сентябре 2025 года и была заменена Moondream 3.1 в июле 2026 года — это текущее поколение той же архитектуры.

SingVL_S1_4B — это модель принятия решений, загруженная inclusionAI 11 ноября 2026 года без какого-либо объявления. Она принимает состояние — текст, JSON или до четырёх изображений — и словарь именованных вопросов, каждый из которых задаёт тип и свои варианты ответов. Choice возвращает вероятность для каждого варианта, noul возвращает вероятность того, что утверждение «да/нет» истинно, score возвращает вероятность для каждого уровня по шкале от двух до десяти упорядоченных уровней плюс ожидаемый уровень. Один прямой проход на запрос, без генерации токенов, без какого-либо вывода в свободной форме.

Если конкретно: дайте Moondream 3 фотографию склада и слово «pallet» — и вы получите боксы. Дайте SingVL_S1_4B ту же фотографию с вопросом «можно ли безопасно отправлять этот кадр» и вариантами «да» и «нет» — и вы получите 0,91 и 0,09. Оба варианта структурированы. Ни один не может выдать результат другого.

Для чего на самом деле нужна модель 9B

Собственные материалы релиза Moondream необычно откровенно говорят об ограничениях бенчмарков, но затем всё равно публикуют насыщенный набор. В детекции при [email protected] важные цифры — COCO 81.46, ODinW-13 93.94, Dense200 74.61 и SKU-110K 52.77; последние два — это наборы с плотными сценами, на которых универсальная модель зрения обычно терпит крах. Детекция по референции даёт 87.1 на RefCOCO-M. На их фоне LVIS с 67.4 и HumanRef с 70.39 — это строки, где она проигрывает конкуренту, и производитель печатает это, а не скрывает.

Такой профиль — сильный в плотном детектировании и детектировании с открытым словарём, но слабее в тонкой референции по описанию, где выигрывает специализированная модель, — это и есть то, что даёт MoE с 2B активных параметров. Модель быстра, потому что большинство её параметров не используется на каждый токен, и точна в подсчёте и локализации, потому что эти навыки обучались как полноценные, а не возникли из задачи описания изображений.

Коммерческая модель заслуживает внимания, потому что это противоположность исследовательскому релизу. Веса бесплатны по лицензии Moondream Model License, для локального запуска не требуется API-ключ, а облачный сервис тарифицируется по токенам: $0.30 за миллион входных и $1.00 за миллион выходных токенов в режиме реального времени; для пакетной обработки ставка вдвое ниже — $0.15 и $0.50. Есть бесплатный тариф, playground, документированный локальный сценарий и текст лицензии, который можно прочитать. Ничто в этом релизе не оставляет двусмысленности.

Для чего на самом деле нужна модель 4.5B

В карточке SingVL_S1_4B опубликована таблица «Public Decision Index 0.3»: 69,76 по текстовой панели и 73,94 по Vision — против TypeSafe Jev 1.14 с 60,70 по тексту, StartLux-Decision v1.1 4B — с 67,8 и 67,90, а Perplexity Decider Flash v1.2 — с 60,1 и 72,5. Строки по отдельным наборам данных показывают, из чего складывается агрегированный показатель: вверху — InfographicVQA 96,31, Winoground 93,12 и извлечение ключевой информации 95,82; внизу — MMMU-Pro vision 50,17, R-Bench-M 49,77 и модерация мемов с разжиганием ненависти 71,64.

Это собственные показатели поставщика в таблице лидеров, которую помогали формализовать его же авторы; они получены путём оценки предложенных вариантов, а не генерации ответов, и никто их не воспроизвёл. На момент написания этого текста репозиторию было два дня, у него ноль скачиваний, он поставляется без файла лицензии, а статьи не существует. Публичный комплект для воспроизведения Decision Index не содержит ни одной заявки от этой модели.

Итак, применимое утверждение здесь узкое и структурное, а не числовое: один прямой проход, возвращающий калиброванную вероятность для каждого кандидата, — это другой примитив, чем модель, возвращающая координаты или текст. Это тот примитив, который нужен, когда решение на следующем шаге сводится к порогу — когда кто-то уже решил, что при значении выше 0,8 вы действуете, а при значении ниже 0,3 — эскалируете. Это не тот примитив, который нужен, когда следующему шагу нужно знать, где.

Перекрытие меньше, чем можно предположить по общему названию набора данных.

Обе карты затрагивают визуальную привязку, и было бы легко сопоставить числа и объявить победителя. Не надо. Три несоответствия лишают это смысла.

• Формат задачи — оценки Moondream в детекции формируются путём выдачи рамок и их сопоставления с эталонными данными при пороге IoU. Оценки SingVL_S1_4B в визуальных задачах формируются путём выбора среди вариантов, написанных кем-то другим. Модель, которая правильно ранжирует кандидатов, не обязательно способна локализовать объекты.

• Стенд — Moondream сообщает [email protected] на именованных наборах для обнаружения в рамках собственных настроек оценки. SingVL_S1_4B сообщает точность внутри набора Decision Index с поправкой на случайность и корректировкой на покрытие. Одно и то же слово, разные измерения.

• Авторство — оба набора заявлены производителем. Набор Moondream более года подвергался независимой проверке и имел порты сообщества; набор SingVL_S1_4B — нет. Одну из этих цифр публично оспаривали.

По-настоящему сравнить эти две модели можно на задаче, которую обе способны выразить: содержит ли это изображение нарушение и к какой категории оно относится. Moondream ответила бы обнаружением или ответом на запрос; SingVL_S1_4B — распределением по вариантам выбора. Это реальный эксперимент, который кому-то стоит провести, и его ещё не провели.

Проработанная форма, ведь API объясняет продукт

Самый наглядный способ увидеть разницу — записать запрос, который получит каждая модель для одной и той же задачи: первичная сортировка фотографии доставки перед её передачей специалисту по урегулированию убытков.

В Moondream 3 вызов имеет вид detect(image, "damaged parcel"), а ответ — это список объектов с ограничивающими рамками и уверенностью или пустой список, если ничего не совпало. Вы узнаёте, было ли обнаружено повреждение и где. Затем caption(image) возвращает предложение, описывающее сцену. Два вызова, две структуры — обе касаются содержимого.

С SingVL_S1_4B запрос содержит вопросы. Один вопрос с выбором спрашивает, цела ли посылка, повреждена или отсутствует, с тремя вариантами. Ещё один вопрос спрашивает, читается ли этикетка. Вопрос с оценкой оценивает качество изображения по четырём упорядоченным уровням. Ответ содержит вероятность для каждого варианта по каждому вопросу и ожидаемый уровень для оценки. Один вызов, три ответа — и всё это об уверенности.

Путь Moondream даёт системе обработки заявок что-то для отображения. Путь SingVL даёт ей основание для ветвления. Команда, строящая первое, сочтёт второе бесполезным; команда, строящая второе, обнаружит, что для первого нужен парсер, который она не хочет писать. В этом и состоит всё решение, и оно принимается ещё до того, как открывается бенчмарк любого из поставщиков.

Их запуск тоже несопоставим.

Moondream 3.1 работает на GPU рабочей станции или на ноутбуке Apple через Photon; веса скачиваются из Hub при первом использовании, и для базовой модели ключ не требуется. Есть размещённая конечная точка с опубликованными ценами за токен, бесплатным тарифом и документированным быстрым стартом, а вендор публикует руководство по локальному выводу, охватывающее поддерживаемое оборудование, потоковую передачу, дообученные модели и обслуживание через Triton. Каждый путь документирован, и каждая цена публична.

SingVL_S1_4B запускается на предоставляемом вами GPU из BF16-загрузки объёмом 9,1 ГБ, в среде Python 3.12 и через сервер FastAPI, привязанный к порту 8173 и отвечающий на POST /v1/systemone. Инструкции полные, а примеры curl работают — это больше, чем удаётся большинству тихих релизов. Не существует ни хостингового варианта, ни квантованной сборки, ни интеграции с фреймворками, ни лицензии, позволяющей вам распространять то, что вы загрузили.

У этого последнего отсутствия есть коммерческая сторона. Лицензия Moondream — кастомная, не открытая в смысле OSI, и поставщик прямо заявляет, что для размещения весов в качестве облачного сервиса требуется его лицензия; вот почему существует платный облачный тариф. У SingVL_S1_4B вообще нет условий, а это не то же самое, что разрешительная лицензия: без предоставления прав никто за пределами inclusionAI не вправе использовать его коммерчески, и юридическая проверка на этом остановится.

Куда приводит решение

Если задача — находить объекты: считать запасы, находить компонент, разбирать макет на рамки, указывать на ручку, — то Moondream 3 — единственная из двух, кто с этим справится, и именно её показатели на сценах с толпой служат причиной предпочесть её универсальной модели зрения для такой работы. У неё также есть прайс-лист, лицензия, локальный путь и год использования другими людьми.

Если задача — принимать решение — гейт, триаж, порог по фиксированной таксономии, где число полезнее предложения, — то дизайн SingVL_S1_4B подходит лучше, а его вывод устраняет целый класс последующего парсинга. Но «лучше подходит» — это утверждение об архитектуре на второй день после релиза без лицензии, и его следует читать как причину присмотреться, а не как причину строить.

Команда, которая хочет протестировать паттерн принятия решений уже сейчас, а не ждать, пока inclusionAI завершит оформление документов, может вызвать её уже сегодня: OrcaRouter предоставляет TypeSafe Jev 1.14 — typesafe/jev-1.14, $0,042 за миллион входных токенов — по тому же ключу, что и ещё более 200 других моделей, по цене из прайс-листа провайдера с наценкой 0%, поэтому изменение цены от любого поставщика отражается в тот же день. Sing VL S1 отсутствует на OrcaRouter и нигде не размещена на хостинге, так что это не заявление о доступности; это более дешёвый способ выяснить, превосходят ли вероятностные выходы боксы на ваших собственных данных. Если да, вернитесь к чекпоинту, когда у него появятся условия. Если нет, вы сэкономили GPU и юридическую проверку.

Эти две модели будут и дальше упоминаться вместе, потому что обе избегают чат-интерфейса. Это лишь поверхностное сходство. В глубине одна из них — локатор, а другая — скорер, и пайплайн, который вы строите, уже знает, какая из них ему нужна.