Moondream 3 Previews hostade slutpunkt stängs av den 13 november

M​oondream 3 Preview släpptes den 18 september 2025, och slutpunkten som betjänar den slutar svara den 13 november 2026. Det är de två datum som betyder något i den här historien, och bara det andra är brådskande. Själva modellen dras inte tillbaka – vikterna ligger kvar på Hugging Face och licensen ändras inte – men den hostade vägen som de flesta team faktiskt anropar, delad av M​oondream 3 Preview och dess efterföljare M​oondream 3.1, stängs av, och meddelandet sa det i en enda rad: den 13 november 2026, 30 dagar från idag, stängs M​oondream Cloud, och oanvända köpta krediter återbetalas.

Det meddelandet lades upp tillsammans med anledningen till det. M​oondream 3 Preview och dess efterträdare M​oondream 3.1 är nu en del av Prime Intellect, som meddelade den 13 oktober 2026 att man hade förvärvat M​oondream, där grundarna Vik Korrapati och Jay Allen ansluter för att leda och skala inferens. M​oondreams eget inlägg är daterat den 14 oktober. Det här är inte en lansering och det bör inte skrivas om som en sådan. Det är ett ägarbyte med en hård migreringsdeadline kopplad till sig, och om du har ett produktionsanrop till api.moondream.ai någonstans i din stack har du ungefär fyra veckor från datumet för det inlägget att bestämma vad som ersätter det.

Vad Prime Intellect faktiskt köpte

Tillkännagivandet är ovanligt explicit om de två saker som bytte ägare, och ingen av dem är en modell-checkpoint. Det första är teamet: Korrapati och Allen ansluter för att köra inferens och för att accelerera multimodalt arbete, inklusive vision och datoranvändning. Det andra är Photon, Moondreams inferensmotor, som kompilerar varje modell till ett enda GPU-program med hjälp av anpassade kärnor och en megakernel-kompilator bakom dem.

Läs inramningen och du förstår varför. Primes inlägg börjar med servering, inte med arkitektur — dess argument för affären är att "servering är där en modells användbarhet avgörs." Siffrorna som citeras är genomströmningssiffror: M​oondream 3.1 vid 34 förfrågningar per sekund, beskriven som ungefär 24x snabbare än den näst mest noggranna öppna modellen; fler än 60 M​oondream-inferenser per sekund på en enda H100; svar inom tiotals millisekunder. Det är Primes siffror och Prime är nu den part som säljer inferensen, så behandla dem som leverantörsrapporterade. Det som inte är ett leverantörspåstående är affärens riktning: ett företag vars produkt var en visionsmodell köpte en inferensmotor och lät dess upphovsmän ansvara för inferensen.

För alla som har en Moondream-integration är den praktiska konsekvensen att de öppna vikterna förblir öppna och, med Moondreams egna ord, "kommer att fortsätta förbättras, nu i mycket snabbare takt." Det som försvinner är bekvämlighetslagret – det hostade API:et och Lens, finjusteringsprodukten – vilket är precis det lager som många små team byggde på eftersom de inte ville köra GPU:er.

Vad Moondream 3 Preview faktiskt är

Värt att upprepa, eftersom en modell som släpptes i september 2025 och nu ersätts i samband med ett företagsförvärv är en modell som många team bara möter genom nedläggningsmeddelandet. Det är en finkornig gles mixture-of-experts, 9 miljarder parametrar totalt med 2 miljarder aktiva per token, initierad från den äldre täta 2B-modellen M​oondream 2 genom drop upcycling.

• Arkitektur — 24 lager, de första fyra täta och resten MoE-feed-forward-block med 64 experter och 8 aktiverade per token, GeGLU, dold dimension 2048.

• Visionsencoder — SigLIP-baserad, med multi-crop-kanalkonkatenering för token-effektiv högupplöst indata. Den där tiling-detaljen spelar roll senare.

• Kontext — 32K användbara tokens, upp från ungefär 2K i den förra generationen, med en anpassad SuperBPE-tokeniserare. Förhandsvisningsinlägget är uppriktigt om att efterträning ännu inte fullt ut utnyttjar det långa fönstret och att hela 32K främst finns där för dem som finjusterar.

• Färdigheter — fråga, bildtexta, peka och detektera, alla är inbyggda och alla returnerar strukturerad utdata. Detektering och pekning är de två som lanseringen lutade sig tyngst mot.

• Resonemang — hybrid. Förfrågan körs i resonemangsläge som standard och kan anropas med resonemang inaktiverat för enkla frågor med låg kostnad. Moondreams inramning är att detta är visuellt resonemang med förankring: resonemangsspåret refererar till specifika regioner i bilden.

• Licens — Business Source License 1.1 med ett Additional Use Grant, som tillåter kommersiell och produktionsmässig användning, finjustering, kvantisering och vidaredistribution, samt förbjuder försäljning av en hostad tjänst som exponerar allmänna M​oondream-funktioner.

Den sista raden är den som i tysthet formade ekosystemet, och det är värt att vara noggrann med det eftersom M​oondream 3.1 flyttade till ett helt annat instrument — M​oondream Model License 1.0, med verkan från 7 juli 2026. Regeln är i sak densamma och uttrycks tydligare: om M​oondream är en komponent i din produkt är det tillåtet, och om åtkomst till M​oondream i sig är produkten behöver du en separat licens. Egen hosting, edge-driftsättning, kundstyrda VPC:er, att köra det på leasade moln-GPU:er, finjustering av det som en del av professionella tjänster och domänspecifika API:er som inte exponerar allmän funktionalitet är alla uttryckligen tillåtna. Leverantörsdriven allmän inferens, hostad allmän finjustering och delade API:er som exponerar en finjusterad derivata är de tre som kräver ett avtal.

Det är därför nedstängningsmeddelandet är utformat som det är. M​oondream kunde inte bara lämna över sin hostade slutpunkt till en tredje part – licensens undantag handlar precis om det – så slutpunkten stängs och migreringen går till Prime, som nu äger den.

De två siffrorna värda att misstro

M​oondreams egen benchmark-rapportering förtjänar mer granskning än den vanligtvis får, eftersom företaget är mer transparent med sin metod än de flesta och metoden gör en stor del av arbetet.

För förhandsvisningen ställde lanseringsdiagrammet M​oondream 3 Preview mot GPT-5, Gemini 2.5-Flash och C​laude 4 S​onnet. I kolumnerna för detektion av refererande uttryck är gapet stort och kan rimligen inte vara en artefakt: RefCOCO på 91,1 för förhandsvisningen mot 75,8 för Gemini 2.5-Flash, 57,2 för GPT-5 och 30,1 för C​laude 4 S​onnet. M​oondreams eget förbehåll är det viktiga – frontiermodellerna har inte inbyggt stöd för grounding, så de tillfrågades via en mall, och vissa poäng för förhandsvisningen beräknades på ett slumpmässigt urval på 100 frågor i stället för hela benchmarken. En mallbaserad grounding-fråga mot en modell utan grounding-förmåga mäter prompt engineering lika mycket som den mäter modellen.

För M​oondream 3.1 är metoden ännu mer betydelsefull, och den förtjänar att sägas rakt ut: de publicerade benchmarkresultaten togs fram genom att finjustera modellen på varje benchmarks egen träningssplit med Lens, M​oondreams finjusteringsprodukt – per-uppgifts-LoRAs, SFT och RL – och därefter destillera vad dessa LoRAs hade lärt sig tillbaka in i basvikterna så att den nedladdningsbara checkpointen presterar bra helt utan tuning. Inlägget om 3.1 säger detta rent ut och noterar till och med att den destillerade basen hamnar strax bakom de enskilda LoRAs. Det är ett legitimt och intressant arbetsflöde, och det är inte heller samma sak som ett kallt out-of-the-box-resultat, eftersom uppgifterna i fråga fick sina träningsdelar inmatade i modellen. Om du jämför 3.1 mot en modell som aldrig såg dessa delar, jämför du en finjusterad artefakt med en ofinjusterad.

Inget av detta gör siffrorna felaktiga. Det gör märkningen bärande, vilket är samma standard som vi tillämpar på vilket leverantörsdiagram som helst.

Dina tre migreringsvägar

Om den hostade endpointen finns i din stack är beslutet snävare än det verkar.

• Egen hosting med Photon – Photon förblir gratis och körs lokalt på NVIDIA-GPU:er från Ampere och framåt samt på Apple Silicon-Macar, med samma API-yta som Moondream Cloud. pip install moondream, ladda med local=True, och ingen API-nyckel krävs för basmodellen. Vikterna laddas ner från Hugging Face vid första användningen. Detta är vägen som bevarar din kod nästan oförändrad och flyttar kostnaden från per token till per GPU-timme.

• Migrera till Prime – meddelandet säger att M​oondream och Prime kommer att höra av sig med nästa steg och hänvisar till Prime för inferens, finjustering eller liknande behov, med contact@moondream.ai för akuta problem. Prime är nu den enda platsen där den hostade vägen fortsätter, och den kommer att köras på Primes stack i stället för M​oondreams.

• Byt ut modellen – om M​oondream 3 Preview fanns i din stack för att den var en billig, snabb detektor för tile:ade bilder snarare än för att något med den specifikt var M​oondream, är nedstängningen ett rimligt tillfälle att köra din egen utvärderingsuppsättning igen i stället för att som standard göra ett likvärdigt utbyte.

Det man ska undvika är den fjärde vägen, som är att inte göra någonting förrän den 12 november. Krediter återbetalas, så det finns ingen ekonomisk anledning att fortsätta anropa en endpoint som är på väg att sluta svara, och en migrering som börjar veckan före en hård gräns är en migrering där man får reda på vad ens grounding-prompter faktiskt var beroende av.

Om modellen du standardiserar på visar sig vara en av de över 200 i OrcaRouter-katalogen blir en del av det här enklare: en enda nyckel och ett enda anropsformat över dem, leverantörens listpris vidarebefordrat utan påslag, och automatisk failover när en uppströmstjänst försämras. M​oondream 3 Preview finns inte i den katalogen, och inte heller M​oondream 3.1 — båda är vikter som du hostar själv eller når via Prime — så för just den här migreringen hjälper routningslagret till med vad du än routar härnäst, inte med M​oondream i sig. Det är värt att säga det rakt ut i stället för att antyda något annat.

Vad du ska titta på under de kommande fyra veckorna

Tre saker kommer att säga dig mer än något pressmeddelande. För det första: huruvida Prime publicerar en ersättningstjänst för inferens för M​oondream Cloud före den 13 november eller efter; meddelandet anger inget datum, och ett glapp mellan nedstängningen och en ersättningstjänst är det utfall som kostar användarna mest. För det andra: huruvida M​oondream 3.1:s nedladdningslicens förblir som den är skriven under nya ägare — Model License 1.0:s begränsning för hostade tjänster är hela anledningen till att den gamla slutpunkten måste stängas i stället för att överföras, så varje ändring av den förändrar vad som är möjligt. För det tredje: huruvida den ”mycket snabbare takten” av förbättring som M​oondream lovade resulterar i en checkpoint snarare än ett tillkännagivande; den senaste modellutgåvan under det gamla företaget var 3.1 den 7 juli 2026, och utgåvorna sedan dess har varit Photon-versioner och talmodeller.

Det som redan är bestämt är datumet. M​oondream 3 Preview har varit allmänt tillgänglig på sin hostade slutpunkt sedan oktober 2025, den har varit ersatt av M​oondream 3.1 i tre månader, och den 13 november 2026 upphör den hostade versionen av båda. Vikterna försvinner inte. Bekvämligheten gör det.

Inget av detta är hypotetiskt: de dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsgrad och omtvistad flagga.