Molmo2-4B vs Moondream 3: Ett hostat alternativ stänger den 13 november

Det finns ett datum kopplat till den här jämförelsen, och det är en vecka bort. Moondream Cloud – inferens- och Lens-sidan av verksamheten – stänger den 13 november 2026, trettio dagar efter att Moondream meddelade att företaget hade förvärvats av Prime Intellect. Oanvända köpta krediter återbetalas. Om du byggde på den hostade slutpunkten för Moondream 3 slutade den praktiska frågan vara "Molmo2-4B eller Moondream 3" och blev "vilken uppsättning öppna vikter ska jag köra själv". Båda modellerna överlever nedstängningen. Bara en av dem har någonsin haft ett hostat API att förlora.

Det är värt att vara precis om vilken Moondream som jämförs, eftersom namnet används löst. Moondream 3 Preview lades upp på Hugging Face i september 2025. Den aktuella utgåvan är Moondream 3.1, publicerad den 7 juli 2026 som moondream3.1-9B-A2B, och det är den checkpoint som den här artikeln behandlar som "Moondream 3". Molmo2-4B är den andra sidan: tillkännagavs av Allen Institute for AI den 11 december 2025, vikterna tillgängliga den 14 december, Apache 2.0 på vikterna med en explicit varning att träningsdatan endast får användas för akademisk och icke-kommersiell forskning. Den har aldrig haft ett hostat API från Ai2, och det visar sig spela roll.

Det som verkligen är nytt på Molmo-sidan är inte en release. Den 9 oktober 2026 slogs Molmo2-arkitekturen samman i den uppströms Transformers-kodbasen och den släpptes i v5.20.0 den 15 oktober, så modellen kräver inte längre trust_remote_code=True. Den 5 november publicerade Ai2 Molmo2-4B-tb, en finjustering av denna checkpoint för en robot som staplar block. Inget av detta gör Molmo2-4B nytt, och inget av dem ändrar dess fotavtryck.

Det som överlever, och det som inte gör det

Vikterna är inte på väg någonstans. Moondream levererar moondream3.1-9B-A2B under Moondream Model License 1.0 och publicerar Photon, sin egen inferensmotor, för lokal driftsättning på NVIDIA GPU:er från Ampere eller nyare och Apple Silicon. Licensen tillåter kommersiell användning, finjustering, kvantisering, vidaredistribution, edge-driftsättning och kundstyrda VPC:er. Det som förbjuds är en specifik sak: att tillhandahålla en allmänt tillgänglig hostad Moondream-tjänst till tredje part utan en separat kommersiell licens.

Den klausulen är anledningen till att nedstängningen spelar större roll än den först verkar. Ett team som anropade Moondream Cloud API kan inte bara sätta upp samma endpoint själva för sina kunder. De kan köra Moondream i sin egen produkt, och de kan köra det på infrastruktur de kontrollerar, men "Moondream as a service" är precis vad licensen förbehåller. Om endpointen var produkten är den 13 november en licenshändelse och inte bara en migrering.

Molmo2-4B har ingen motsvarande fälla, eftersom det aldrig fanns någon hostad version att förlora. Viktlicensen är Apache 2.0, och begränsningen ligger i stället i datastatementet: Ai2:s modellkort säger att modellen "tränas på tredjepartsdatamängder som endast får användas för akademisk och icke-kommersiell forskning" och hänvisar dig till att granska källorna. Ingen av modellerna är ett rent "bara att släppa" – den ena begränsar vad du kan erbjuda, den andra begränsar vad träningslinjen stöder.

Två olika maskiner under huven

• Parametrar – Molmo2-4B har 4 850 869 200 täta parametrar; Moondream 3.1 är totalt 9,0B med 2,0B aktiva per token, en blandning av åtta experter med top-2-routing plus en delad expert.

• Viktstorlek — 19,42 GB float32-safetensors för Molmo2-4B, fyra shards; Moondream 3.1 distribueras för Photon och via Hugging Face, där leverantören betonar ett litet runtime-avtryck snarare än en stor nedladdning.

• Kontext — 36 864 positioner för Molmo2-4B; 32 768 token för Moondream 3.1.

• Indatayta — Molmo2-4B tar emot bild, flera bilder och video; Moondream 3.1 tar en bild per anrop och har ingen inbyggd videoväg.

• Utdataavtal – Molmo2-4B returnerar punkter skalade till 0–1000 av bilddimensionerna, med tidsstämplar i videoläge och ett dokumenterat reguljärt uttryck för parsning; Moondream 3.1 exponerar fyra namngivna färdigheter – query, detect, point, caption – som var och en returnerar strukturerad JSON.

• Licens — Apache 2.0-vikter med ett förbehåll gällande tredjepartsdata för Molmo2-4B; Moondream Model License 1.0 för Moondream 3.1.

Utmatningsraden är den mest intressanta skillnaden och den minst diskuterade. Molmo2-4B:s punkter är en rå koordinatström som du parsar och efterbearbetar. Moondream 3.1:s färdigheter är ett API-kontrakt: detect returnerar objekt, point returnerar punkter, caption returnerar en bildtext, och formen varierar inte med prompten. Den ena är en modell du bygger vidare på; den andra är en tjänst du anropar. Den designskillnaden är en bättre förutsägare för vilken som passar din kodbas än någon benchmarkrad.

Poäng som inte delar någon testrigg

Moondream publicerar en omfattande tabell för 3.1, och den är värd att citera exakt eftersom de flesta sammanfattningar avrundar den. Leverantörsrapporterade, alla på Moondreams egen utvärdering: COCO-detektion F1@0,5 81,46, ODinW-13 93,94, LVIS 67,4, Dense200 74,61, SKU-110K 52,77, CrowdHuman 74,5, RefCOCO-M 87,1, HumanRef 70,39, DOTA-v2 59,63, CountBench 90,35, TallyQA 74,86, PixMo-Count 88,68, ChartQA 86,01 och DocVQA 88,6, för ett angivet genomsnitt på 77,9. Samma inlägg rapporterar 34,2 förfrågningar per sekund och latens för första token på ungefär 20–30 ms på Cloudflare Workers AI, med ett punktanrop på cirka 145 ms end-to-end.

Molmo2-4B rapporterar ett sammanvägt mått: 62,8 i genomsnitt över 15 akademiska benchmarkar, i en tabell som placerar den bakom sitt 8B-syskon på 63,1 och jämte Qwen3-VL-4B på 58,1, InternVL3.5-4B på 53,4 och Eagle2.5-8B på 60,7, medan de slutna modellerna i samma tabell ligger på 70,0 för Gemini 3 Pro och 70,6 för GPT-5.

De två medelvärdena kan inte jämföras. De täcker olika uppgifter, Moondreams är starkt viktat mot detektion och räkning, där det är som starkast, och ingen av leverantörerna har kört sin modell på den andras testsvit. Den som presenterar 77,9 mot 62,8 som en seger med sex poäng jämför två olika prov och kallar det ett resultat.

Antalet som båda leverantörerna bryr sig om

Räkning är den enda platsen där de två modellernas påståenden verkligen överlappar, och där den ärliga läsningen är obehaglig för båda. Moondream rapporterar CountBench 90,35 och PixMo-Count 88,68. Ai2:s tillkännagivande säger att Molmo 2-familjen leder modeller med öppna vikter inom videoräkning, och medger sedan i samma andetag att ingen modell i deras utvärdering når 40 % noggrannhet. Dessa påståenden står inte i konflikt – det ena är räkning av täta objekt på kurerade bilder, det andra är räkning över video – men de innebär att "bra på att räkna" inte är ett påstående som går att överföra. Specificera testet innan du litar på siffran.

Om du bestämmer dig den här veckan

Börja med var förfrågan kommer att köras. Om du anropade Moondream Cloud API är migreringen nu ett självhostningsprojekt, och licensen avgör om du får exponera det igen. Kör Photon lokalt, behåll Moondream i din produkt och bygg inte om slutpunkten för tredje part utan en kommersiell licens.

Om video ingår i omfånget har Moondream 3.1 släppts. Den tar en bild per anrop, och ingen mängd färdighetsstruktur kommer runt det. Molmo2-4B:s standard på 384 bildrutor vid 2 fps är anledningen till att acceptera dess 19,42 GB float32-nedladdning och casta ned den innan servering.

Om din pipeline vill ha koordinater men inte ett stycke text kan båda göra det, och valet handlar då om paketering: Molmo2-4B:s taggade punktström med ett regex som du äger, eller Moondream 3.1:s punktfärdighet som returnerar JSON. Det andra är mindre arbete i dag och medför en licensförpliktelse i morgon.

För team som använde Moondream som en av flera hostade visionsmodeller snarare än som produkten är migreringen mindre dramatisk än den låter: OrcaRouter för vidare leverantörens eget listpris utan påslag för över 200 modell-id:n, med automatisk failover när en uppströms slutpunkt försämras, så att ersätta ett hostat visionsanrop med ett annat inte innebär ett andra avtal eller en omskriven klient. Varken Moondream 3.1 eller Molmo2-4B finns i den katalogen – båda är självhostade vikter – men resten av stacken är det vanligtvis.

Det tydligaste att säga om den här jämförelsen är att det aldrig var en rättvis kamp och att den nu är en mindre sådan. Moondream 3.1 är ett snabbt, välpaketerat visions-API med en licens som förbehåller ägaren tjänsteverksamheten. Molmo2-4B är en forskningsutgåva med videonativ punktutmatning och ingen paketering alls. Nedstängningen gör inte den ena bättre än den andra. Den tar bara bort möjligheten att inte välja.