SingVL_S1_4B vs Moondream 3: Koordinater eller sannolikheter

Båda dessa modeller utlovar struktur i stället för prosa, och det är där likheten slutar. Moondream 3 svarar i koordinater: be den hitta personerna i ett fotografi och den returnerar rutor med etiketter, fråga den var handtaget är och den returnerar punkter, be den sätta en bildtext och den returnerar en mening. SingVL_S1_4B svarar i sannolikheter: ge den alternativ och den returnerar ett tal per alternativ, ge den ett påstående och den returnerar sannolikheten att påståendet är sant. Den ena talar om var något finns. Den andra talar om hur säker den är. Att välja mellan dem är en fråga om vilket av dessa två svar din pipeline alltid skulle komma att behöva, och de två ersätter sällan varandra.

De två formerna av "strukturerad utdata"

Moondream 3 är en mixture-of-experts-visionmodell – 9B parametrar totalt, 2B aktiva – som leverantören Moondream beskriver som byggd för visuellt resonemang och detektion till en driftsättningsvänlig kostnad. Fyra färdigheter är inbyggda i stället för att styras via promptar: query för visuell frågebesvarande, detect för boxar med öppen vokabulär, point för mittpunkter och caption. Alla fyra returnerar strukturerad utdata i stället för konversationell text, och vikterna är gratis att ladda ner och köra lokalt via leverantörens egen inferensmotor Photon, på NVIDIA-GPU:er från Ampere och framåt eller på Apple silicon. Modellen visades som en förhandsversion i september 2025 och ersattes av Moondream 3.1 i juli 2026, vilken är den nuvarande generationen av samma arkitektur.

SingVL_S1_4B är en beslutsmodell, uppladdad av inclusionAI den 11 november 2026 utan någon annonsering. Den tar ett tillstånd – text, JSON eller upp till fyra bilder – och en ordbok med namngivna frågor, där var och en anger en typ och sina kandidatsvar. Choice returnerar en sannolikhet per alternativ, noul returnerar sannolikheten att ett ja/nej-påstående gäller, score returnerar en sannolikhet per nivå över två till tio ordnade nivåer plus en förväntad nivå. En framåtpassning per begäran, ingen token-generering, ingen fritextutdata av något slag.

Konkret: ge Moondream 3 ett lagerfoto och ordet "pallet", och det ger dig lådor. Ge SingVL_S1_4B samma foto med frågan "är den här bildrutan säker att skicka iväg" och kandidaterna ja och nej, och det ger dig 0,91 och 0,09. Båda är strukturerade. Ingen av dem kan producera den andras utdata.

Vad 9B-modellen faktiskt är till för

Moondreams eget release-material är ovanligt öppenhjärtigt om begränsningarna med benchmarks och publicerar sedan ändå en omfattande uppsättning. Vid detektion med [email protected] är de siffror som spelar roll COCO på 81,46, ODinW-13 på 93,94, Dense200 på 74,61 och SKU-110K på 52,77 – de två sista är trånga scenuppsättningar där en allmän visionsmodell vanligtvis kollapsar. Referensdetektion landar på 87,1 på RefCOCO-M. Mot dessa är LVIS på 67,4 och HumanRef på 70,39 de rader där den förlorar mot en konkurrent, vilket leverantören publicerar i stället för att dölja.

Den profilen – stark på dense- och open-vocabulary-detektion, svagare på finmaskig referering där en specialist vinner – är vad man får med den 2B-aktiva MoE:n. Modellen är snabb eftersom de flesta av dess parametrar inte används per token, och den är noggrann på att räkna och lokalisera eftersom dessa tränades som förstklassiga färdigheter i stället för att uppstå ur bildtextning.

Den kommersiella utformningen är värd att notera eftersom den är motsatsen till ett forskningssläpp. Vikterna är gratis under Moondream Model License, att köra dem lokalt kräver ingen API-nyckel, och den hostade tjänsten prissätts per token: $0.30 per miljon indata och $1.00 per miljon utdata för realtid, halverat till $0.15 och $0.50 för batch. Det finns en gratisnivå, en playground, en dokumenterad lokal väg och en licenstext du kan läsa. Inget med lanseringen är tvetydigt.

Vad 4.5B-modellen faktiskt är till för

SingVL_S1_4B:s kort publicerar en tabell för "Public Decision Index 0.3": 69.76 på Text-panelen och 73.94 på Vision, jämfört med TypeSafe Jev 1.14 på 60.70 text, StartLux-Decision v1.1 4B på 67.8 och 67.90 samt Perplexity Decider Flash v1.2 på 60.1 och 72.5. Raderna per dataset visar var det aggregerade värdet kommer från – InfographicVQA 96.31, Winoground 93.12, nyckelinformationsextrahering 95.82 i toppen; MMMU-Pro vision 50.17, R-Bench-M 49.77 och moderation av hatiska memes 71.64 i botten.

Det är leverantörens egna siffror på en resultattavla som dess egna författare var med och formaliserade, framtagna genom att poängsätta angivna alternativ i stället för att generera svar, och ingen har reproducerat dem. Repositoriet var två dagar gammalt när detta skrevs, har noll nedladdningar, levereras utan licensfil och det finns ingen artikel. Decision Index offentliga reproduktionspaket visar ingen inlämning från den här modellen.

Så det användbara påståendet är snävt och strukturellt snarare än numeriskt: en enda framåtpassning som returnerar en kalibrerad sannolikhet per kandidat är en annan primitiv än en modell som returnerar koordinater eller text. Det är den primitiv du vill ha när beslutet nedströms är en tröskel – när någon redan har beslutat att över 0,8 agerar du och under 0,3 eskalerar du. Det är inte den primitiv du vill ha när steget nedströms behöver veta var.

Överlappet är mindre än vad namnet på en delad datamängd antyder.

Båda korten tangerar visuell förankring, och det vore enkelt att rada upp siffror och utse en vinnare. Gör inte det. Tre avvikelser gör det meningslöst.

• Uppgiftsform — Moondreams detektionspoäng kommer från att generera boxar och matcha dem mot ground truth vid ett IoU-tröskelvärde. SingVL_S1_4B:s visionspoäng kommer från att välja bland alternativ som någon annan har skrivit. En modell som rangordnar kandidater korrekt är inte därmed en modell som kan lokalisera.

• Testramverk — Moondream rapporterar [email protected] på namngivna detektionsuppsättningar enligt sina egna utvärderingsinställningar. SingVL_S1_4B rapporterar noggrannhet i den slumpkorrigerade och täckningsjusterade sviten från Decision Index. Samma ord, olika mätmetod.

• Upphov — båda uppsättningarna är leverantörsrapporterade. Moondreams har under över ett år granskats av tredje part och porterats av communityn; SingVL_S1_4B:s har inte granskats alls. Ett av dessa tal har debatterats offentligt.

Där de två verkligen skulle kunna jämföras är en uppgift som båda kan uttrycka: innehåller den här bilden en överträdelse, och vilken kategori. Moondream skulle svara med en detektion eller ett frågesvar; SingVL_S1_4B med en valfördelning. Det är ett riktigt experiment som någon borde köra, och det har inte körts.

En genomarbetad form, eftersom API:et förklarar produkten.

Det tydligaste sättet att se skillnaden är att skriva den förfrågan som varje modell skulle få för samma uppgift – att göra en första bedömning av ett leveransfoto innan det går vidare till en skadereglerare.

Med Moondream 3 är anropet detect(image, "damaged parcel"), och svaret är en lista med objekt med bounding boxes och konfidens, eller en tom lista om inget matchade. Du får veta om skada hittades och var. Sedan ger caption(image) en mening som beskriver scenen. Två anrop, två strukturer, båda handlar om innehåll.

Med SingVL_S1_4B bär anropet frågorna i begäran. En valfråga frågar om paketet är intakt, skadat eller saknas, med tre kandidater. En noul-fråga frågar om etiketten är läsbar. En poängfråga betygsätter bildkvaliteten över fyra ordnade nivåer. Svaret innehåller en sannolikhet per kandidat för varje fråga och en förväntad nivå för poängen. Ett anrop, tre svar, allt handlar om konfidens.

Moondream-vägen ger ett skadesystem något att visa. SingVL-vägen ger det något att göra vägval utifrån. Ett team som bygger den första kommer att uppfatta den andra som oanvändbar; ett team som bygger den andra kommer att upptäcka att den första kräver en parser som teamet inte vill skriva. Det här är hela beslutet, och det är avgjort innan någon av leverantörernas benchmark har öppnats.

Att köra dem är inte heller jämförbart.

Moondream 3.1 körs på en arbetsstations-GPU eller en Apple-bärbar dator via Photon, där vikterna laddas ned från Hub vid första användningen och ingen nyckel krävs för basmodellen. Det finns en hostad endpoint med publicerade priser per token, en gratisnivå och en dokumenterad snabbstart, och leverantören publicerar en guide för lokal inferens som täcker stödd hårdvara, streaming, finjusteringar och servering via Triton. Alla vägar är dokumenterade och alla priser är offentliga.

SingVL_S1_4B körs på en GPU som du tillhandahåller, från en BF16-nedladdning på 9,1 GB, via en Python 3.12-miljö och en FastAPI-server bunden till port 8173 som svarar på POST /v1/systemone. Instruktionerna är kompletta och curl-exemplen fungerar, vilket är mer än vad de flesta tysta släpp klarar av. Det som inte finns är något hostat alternativ, någon kvantiserad version, någon ramverksintegration eller någon licens som tillåter dig att redistribuera det du laddade ner.

Den där sista avsaknaden har en kommersiell udd. Moondreams licens är en anpassad licens – inte öppen källkod i OSI:s mening – och leverantören är tydlig med att hosta vikterna som en molntjänst kräver dess licens, vilket är anledningen till att den hostade nivån finns och är prissatt. SingVL_S1_4B har inga villkor alls, vilket inte är samma sak som tillåtande: utan något beviljande har ingen utanför inclusionAI tillstånd att använda den kommersiellt, och en juridisk granskning kommer att stanna där.

Där beslutet landar

Om jobbet går ut på att hitta saker – räkna lager, lokalisera en komponent, läsa av en layout i rutor, peka på ett handtag – är Moondream 3 den enda av de två som kan göra det, och dess siffror för folkmassor är anledningen till att föredra den framför en allmän visionsmodell för det arbetet. Den har också en prislista, en licens, en lokal sökväg och ett år av att andra har använt den.

Om uppgiften är att fatta beslut – en grind, en triage, ett tröskelvärde över en fast taxonomi där en siffra är mer användbar än en mening – är SingVL_S1_4B:s design det bättre valet, och dess utdata eliminerar en hel klass av nedströms parsning. Men "bättre val" är ett uttalande om arkitektur på dag två av en lansering utan licens, och det bör läsas som ett skäl att hålla utkik snarare än ett skäl att bygga.

Ett team som vill testa beslutsmönstret nu, i stället för att vänta på att inclusionAI ska slutföra pappersarbetet, kan anropa den idag: OrcaRouter tillhandahåller TypeSafe Jev 1.14 — typesafe/jev-1.14, $0,042 per miljon indatatoken — på samma nyckel som över 200 andra modeller, till leverantörens listpris med 0 % påslag, så en prisändring från vilken leverantör som helst slår igenom samma dag. Sing VL S1 finns inte på OrcaRouter och har ingen hostad plats någonstans, så detta är inte ett tillgänglighetsanspråk; det är det billigare sättet att ta reda på om sannolikhetsutdata slår boxar på dina egna data. Om de gör det, återvänd till checkpointen när den har villkor. Om de inte gör det har du sparat en GPU och en juridisk granskning.

De två modellerna kommer att fortsätta nämnas i samma andetag eftersom båda undviker chattgränssnittet. Det är en ytlig likhet. Under ytan är den ena en lokaliserare och den andra en poängsättare, och pipelinen du bygger vet redan vilken av dem den behöver.