WeVisOne-VL-2B vs Moondream 3: En licens och en deadline

Den 13 november 2026 slutar den hostade endpointen som betjänar Moondream 3 Preview att svara. Det datumet, inte något benchmark, är det som gör den här jämförelsen brådskande: team som har byggt på Moondreams moln har ungefär tre veckor från nedstängningsmeddelandet på sig att avgöra vad som ska ersätta den, och vikterna de skulle falla tillbaka på har en licens som de flesta av dem aldrig har läst i detalj. WeVisOne-VL-2B är det självklara valet att ställa bredvid den – en perceptionsmodell på 2B från Tencents WeChat Vision-team, publicerad den 22 oktober 2026 under Apache 2.0, som utför samma grounding-arbete: boxar, punkter, antal och masker.

De två modellerna är det par som ligger närmast varandra i den här serien. Båda är uppbyggda kring att peka ut saker i stället för att beskriva dem. Båda producerar masker. Båda tränades att säga ”inte där” när målet saknas. Och ändå går nästan inget av det som någon av leverantörerna publicerade att subtrahera från den andra, eftersom de mätte olika saker i olika testramverk vid olika tidpunkter. Det som går att jämföra är licensen, utdataformatet och driftsättningsvägen – och på dessa tre är svaret inte i närheten.

Varför är dessa två i samma konversation?

Moondream 3 Preview, som släpptes den 18 september 2025, argumenterade för att en liten modell kunde utföra grundad perception inbyggt: detektera, peka, räkna, segmentera och svara, allt från en enda checkpoint, utan att orkestrera en separat detektor och en separat resonemangsmodell. Det är en gles mixture of experts med 9 miljarder totala parametrar och 2 miljarder aktiva – 24 lager, de första fyra täta, resten med 64 experter varav 8 aktiveras per token – en kontext på 32 768 token, en anpassad SuperBPE-tokenizer och en SigLIP-baserad visionskodare.

WeVisOne-VL-2B kommer ett år senare och gör en snävare version av samma argument. Den har 2B parametrar och är byggd på Qwen3-VL, och den delar upp arbetet i två delar: språkmodellen sänder ut koordinater via dedikerade tokens, och en separat dekoder med 9,5 miljoner parametrar omvandlar varje markerad instans till en mask eller en kontinuerlig alfamatt. Tencent försökte inte skapa en allmän assistent. De försökte skapa en perceptionsmotor och sa det i avsnittet om begränsningar.

Familjelikheten är verklig, vilket är anledningen till att skillnaderna spelar större roll än de skulle göra mellan obesläktade modeller.

Kapabilitetskartorna, sida vid sida

• Parametrar — 9B totalt med 2B aktiva för Moondream 3 Preview jämfört med cirka 2B dense för WeVisOne-VL-2B, plus en nödvändig avkodare med 9,5M parametrar.

• Maskutdata – SVG-sökvägssträngar plus en avgränsningsruta på Moondream, som dess dokumentation beskriver som inbyggda vektormasker; rasteralfamattor i full upplösning med stride 1 på WeVisOne, inklusive mjuk transparens för hår och päls.

• Resonemang — Moondream 3 har ett valfritt chain-of-thought-läge och resonerar om en bild genom att peka in i den; WeVisOne genererar strukturerad utdata helt utan chain-of-thought, ett val Tencent gjorde för inferenseffektivitet.

• Kontext — 32 768 token publicerade på Moondream-kortet, jämfört med att ingen kontextlängd har publicerats för WeVisOne, vars artikel beskriver träning vid 4 096 och 8 192 token och inferens på upp till 1 960 visuella token per bild.

• Indata – bilder på båda, men Moondream levererar ett dokumenterat moln-API med strömmande delresultat; WeVisOne avvisar videorutnät i sin pixelavkodare och är konstruerad för enstaka turer.

• Licens — Business Source License 1.1 med ett Additional Use Grant för Moondream, Apache 2.0 för WeVisOne.

• Utgivning — 18 september 2025 vs 22 oktober 2026, tretton månader mellan.

• Hosting — Moondream Cloud fram till 13 november 2026, därefter endast självhostad; ingen hostad slutpunkt för WeVisOne från Tencent eller från någon leverantör som vi kan verifiera.

Siffrorna, med sina instrument bifogade

Det är här jämförelsen blir en övning i att läsa fotnoter. Varje siffra nedan är uppgiven av leverantören; ingen av modellerna har någon oberoende utvärdering på Artificial Analysis eller någon annanstans där vi kan hitta en.

• RefCOCO — Moondreams lanseringsdiagram listar 91,1, tillsammans med 88,6 på RefCOCOg och 81,8 på RefCOCO+. Det är noggrannhetssiffror av detektionstyp, och Moondream beskrev själv diagrammet som inte en rättvis jämförelse: frontier-baslinjerna frågades ut via mallar eftersom de inte har inbyggd grounding, och flera förhandsvisningsresultat kom från stickprov med 100 frågor i stället för fullständiga utvärderingsset.

• RefCOCO på WeVisOne — Tencent publicerar inte något detektionstal för RefCOCO. Dess tabell för refererande detektion rapporterar RefCOCOg vid 77,1 medel-F1 för 2B, och dess segmenteringstabell rapporterar RefCOCO-validering vid 79,7 cIoU. Olika uppgift, olika statistik, olika split.

• Segmentering – Moondreams segmenteringsuppdatering från mars 2026 rapporterar mIoU på 83,2 på RefCOCO-validering, 79,1 på RefCOCO+ och 80,7 på RefCOCOg, med en separat 88,2 på den högfidela RefCOCO-M. WeVisOne rapporterar 79,7, 73,1 och 74,4 på samma tre splits – men som cIoU, vilket artikeln uttryckligen anger. Mean IoU och cumulative IoU viktar bilder olika, så skillnaden här är en antydan snarare än ett mått.

• Räkning — Moondream rapporterar CountBenchQA till 93,2. WeVisOne rapporterar CountQA till 47,9 exakt matchning, PixMo-Count till 90,9 och 88,1, och CLOC till 27,5 och 26,9. CountBenchQA och CountQA är inte samma datamängd, och exakt matchning på en räkningsmängd är oförlåtande på ett sätt som träffsäkerhet på en flervalsmängd inte är. Spridningen inom WeVisOnes egen räkningsrad — 90,9 på en datamängd, 27,5 på en annan — är en bättre varning om räkningsbenchmarkar än någon jämförelse mellan leverantörer.

• Detektion — Moondream anger COCO-detektion till 51,2. WeVisOne anger COCO medel-F1 till 55,2 över IoU-trösklar. Huruvida det är samma statistik anges inte på någon av sidorna, vilket är precis problemet.

Det som växer fram är inte en vinnare. Det är två modeller som båda hävdar stark förankrad perception, mätta med instrument som aldrig kalibrerats mot varandra, där en av dem publicerades i ett diagram som dess egen författare beskrev som orättvist.

Licensen är det verkliga vägskälet

Vikterna för Moondream 3 Preview släpps under Business Source License 1.1 med en Additional Use Grant vars kortnamn är "No Third-Party Service." Tillägget omfattar personliga projekt, forskning, benchmarks, finjusteringar, sammanslagningar, kvantiseringar och viktdeltan. Det som inte omfattas är att sätta upp en tjänst som låter tredje parter använda modellen — det som de flesta företag faktiskt vill bygga.

Det är en väsentlig begränsning, och det är det enda stället där jämförelsen har ett entydigt svar. Modellkortet för WeVisOne-VL-2B beviljar Apache 2.0 för kod som Tencent har skrivit, medan tredjepartskomponenter behåller sina egna villkor. Ingen intäktsgräns, ingen begränsning för användningsområde, inget samtal med en jurist om huruvida din produkt räknas som en tredjepartstjänst.

Om du väljer mellan dessa två för att bygga något kommersiellt avgör licensen mer av utfallet än något benchmark i föregående avsnitt. En modell som du inte lagligt kan tillhandahålla är inte ett billigare alternativ; det är en annan produkt.

Om du är på Moondream Cloud just nu

Nedstängningsmeddelandet publicerades tillsammans med orsaken till det. Moondream och dess efterträdare Moondream 3.1 är nu en del av Prime Intellect, som tillkännagav förvärvet den 13 oktober 2026, med grundarna Vik Korrapati och Jay Allen som ansluter sig för att leda inferensen. Moondreams eget inlägg är daterat den 14 oktober. Meddelandet var en rad: den 13 november 2026, trettio dagar senare, stänger Moondream Cloud, och outnyttjade köpta krediter återbetalas.

Två saker är värda att skilja på. Modellerna dras inte in — vikterna stannar där de är och licensen ändras inte. Det som upphör är den hostade vägen, den som de flesta team faktiskt anropar. Photon, Moondreams inferensmotor, är en del av det som Prime Intellect köpte, och dess säljargument är genomströmning: 34 förfrågningar per sekund för Moondream 3.1, mer än 60 inferenser per sekund på en enda H100. Det är Primes siffror och Prime är nu parten som säljer dem.

För den som migrerar finns det tre ärliga alternativ. Självhosta de Moondream-vikter du redan har och acceptera BSL-villkoren. Byt till en hostad modell som inte försvinner, med insikten att de flesta av dem inte producerar masker. Eller byt till en modell med öppna vikter under Apache-2.0 och äg driftsättningen — det är här WeVisOne-VL-2B kommer in, med förbehållen att den inte är en direkt ersättning och att underlaget för den är tunnare.

Det är inte en direkt ersättning av tre konkreta skäl. Utdataformatet skiljer sig: SVG-banor kontra rasterbaserade alfamasker, vilket förändrar din nedströms kompositeringskod. Det finns inget chain-of-thought-läge, så alla pipelines som förlitade sig på Moondreams grundade resonemangsspår förlorar dem. Och det finns ingen publicerad kontextlängd, så ett arbetsflöde som matade Moondream med långa prompter med flera bilder har inget angivet tak att dimensionera mot.

Det är också här ett routinglager gör nytta, och det är värt att vara precis om vad det kan och inte kan göra. OrcaRouter betjänar inte Moondream 3 eller WeVisOne-VL-2B; ingen av dem finns i vår katalog, och vi tänker inte låtsas att en migrering är en URL-ändring. Det vi kan göra är att hålla den hostade sidan av din stack portabel: en API-nyckel för över 200 modeller till leverantörens listpris utan påslag, automatisk failover när en leverantör försämras, och ett routing-DSL som låter dig flytta trafik mellan hostade modeller utan att röra applikationskoden. Om lärdomen från den 13 november är att ett enda hostat beroende är en enda felpunkt, är lösningen abstraktionslagret, inte ett annat enda beroende.

Vad som behöver beslutas före 13 november

Om du kör Moondream 3 Preview via moln-API:et och inget annat, är beslutet egentligen inte Moondream mot WeVisOne. Det handlar om huruvida du överhuvudtaget vill äga inferensen. Att självhosta Moondream behåller det beteende du redan har finjusterat mot, under en licens som tillåter intern och forskningsmässig användning men inte återförsäljning som tjänst. Att självhosta WeVisOne ger dig tydligare villkor och mjuka alfamattor, till priset av en modell som ingen oberoende har testat och en avkodare som bara fungerar på enskilda bilder.

Om du börjar från scratch – ingen befintlig pipeline, inga finjusterade promptar, ingen redan nedlagd integrationsinsats – är kalkylen enklare. WeVisOne-VL-2B är Apache 2.0 och 2B, Moondream 3 Preview är source-available och 9B med 2B aktiva, och det enda benchmark som båda publicerar i ett format som inbjuder till jämförelse är segmentering, där definitionerna av mätvärdena tyst skiljer sig åt. Välj utifrån licens och utdataformat och mät sedan på dina egna bilder, eftersom ingen av leverantörerna har gett dig ett tal som du kan lita på över gapet.