WeVisOne-VL-4B vs Moondream 3: Den ena har inget API, den andra förlorar sitt eget

Den 13 november 2026 slutar Moondream Cloud att svara. Det värdbaserade API som gjorde Moondream 3 till en enradig integration stängs, köpta krediter återbetalas och fine-tuning-produkten Lens försvinner samtidigt. Det datumet är tre veckor bort. WeVisOne-VL-4B har däremot aldrig haft ett API att förlora – Tencent publicerade vikterna den 22 oktober 2026 utan endpoint, utan prissättning och utan tillkännagivande. Så den praktiska frågan i den här jämförelsen är inte längre "vilken liten visionsmodell som är bättre". Det är "vilken uppsättning vikter jag vill driva själv", för från och med i dag är båda modellerna beslut om egen drift, och en av dem blev just ett sådant beslut ofrivilligt.

De två är verkligen olika maskiner, och skillnaden förklarar varför den ena hade en molnverksamhet och den andra inte.

Vad hände med Moondream 3?

Tidslinjen är värd att redogöra för eftersom den är lätt att missa och den förändrar kalkylen. Moondream 3 Preview släpptes den 18 september 2025 som en mixture-of-experts-modell med 9B parametrar och 2B aktiva parametrar. Moondream 3.1 följde den 7 juli 2026. Den 13 oktober 2026 meddelade Prime Intellect att man hade förvärvat Moondream — inklusive grundarteamet och inferensmotorn Photon — och Moondreams eget inlägg följde en dag senare. En månad senare stängs molnet ner.

Inget av det tar bort vikterna. De finns kvar på Hugging Face under Business Source License 1.1 med ett Additional Use Grant, och Photon är fortfarande gratis att köra på nya Nvidia-GPU:er och Apple Silicon, med ett kompatibelt lokalt API och ingen nyckel krävs för basmodellen. Det som försvinner är den hostade vägen – det som lät ett team utvärdera Moondream 3 på en eftermiddag utan att äga en GPU.

Två arkitekturer, två skäl att finnas

Moondream 3 är en gles modell: 9B totala parametrar, 2B aktiva per token, 64 experter varav 8 aktiveras, initierad från den täta 2B-modellen Moondream 2 genom upcycling. Den har en 32K-kontext, en SigLIP-visionenkoder med multi-crop-kanalkonkatenering och en SuperBPE-tokeniserare som företaget säger gör genereringen 20–40 % snabbare. Designmålet var visuellt resonemang nära forskningsfronten till en kostnad närmare en 2B-modell – betala för 2B aktiveringar, få en del av beteendet hos 9B.

WeVisOne-VL-4B är tät och enkelspårigt fokuserad: en Qwen3-VL-backbone på 4,83B, koordinattoken från <0> till <1000> för boxar och punkter, samt en dekoder med 9,6M parametrar som styrs av en speciell <OBJ>-token som omvandlar en förutsagd box till en mask och sedan en alfamatte i full upplösning. Där Moondream sprider kapacitet över många visuella uppgifter koncentrerar WeVisOne sig på den sista milen av lokalisering – inklusive den del som nästan ingen levererar, mjukkantad transparens.

• Totala parametrar — WeVisOne-VL-4B 4,83B dense vs Moondream 3 9B totalt, 2B aktiva

• Viktfotavtryck — ungefär 19 GB i F32 för 4B jämfört med cirka 18 GB i FP16 för Moondream 3, runt 6 GB i en community-INT4-kvantisering

• Kontext – opublicerad vs 32 768 tokens

• Pixelutdata — instansmasker och kontinuerliga alfa-mattor vid stride 1 jämfört med segmenteringsmasker

• Licens — Apache 2.0 för kod skriven av Tencent vs Business Source License 1.1 med ett Additional Use Grant

• Hosted API – aldrig någon vs stänger 13 november 2026

• Inferensmotor — standardversionen av vLLM, SGLang eller projektpaketet jämfört med Photon, specialbyggd för ändamålet

Benchmark-siffrorna är inte samma typ av nummer.

Moondreams modellsida listar COCO mAP på 51,2. WeVisOnes README listar COCO F1-medelvärde på 57,1, med F1 vid IoU 0,5 på 74,0. Dessa siffror kan inte subtraheras från varandra. Mean average precision och F1 vid en fast IoU-tröskel belönar olika beteenden: mAP straffar en modell som hittar objekt men rangordnar dem dåligt, medan F1 vid 0,5 är förlåtande mot lösa boxar. Den som säger att WeVisOne slår Moondream 3 med sex punkter på COCO har jämfört två olika prov.

Segmenteringsraderna är närmare jämförbara och mer intressanta. Moondream rapporterar RefCOCO val-segmentering vid 83,2 mIoU; WeVisOne rapporterar RefCOCO val vid 81,4 cIoU. Båda är intersection-over-union mot refererande uttryck på samma dataset-split, men mIoU och cIoU aggregerar olika över bilder, så en skillnad på 1,8 punkter ligger väl inom bruset för valet av mått. Betrakta dem som ungefär likvärdiga.

Där de två tabellerna verkligen skiljer sig åt är i vad de överhuvudtaget valde att rapportera. Moondream publicerar ScreenSpot 80,4, OCRBench 61,2, TextVQA 76,3, POPE 89,0 och CountBenchQA på låga 90-talet beroende på vilken av dess egna sidor man läser – lanseringsinlägget och modellsidan motsäger varandra på flera rader, vilket är värt att veta innan man citerar någon av dem. WeVisOne publicerar avvisningsfrekvenser (96,4 % på WeRef-Bench), tät detektion på Dense200 och VisDrone samt mattingfel på P3M-500-NP och AM-2K. Ingen av modellernas författare utvärderade den andra.

Licensiering kommer att avgöra fler affärer än benchmarkvärden.

WeVisOne-VL-4B är Apache 2.0 för kod skriven av Tencent. Moondream 3 omfattas av Business Source License 1.1 med ett Additional Use Grant, som tillåter personlig användning, forskning och de flesta kommersiella användningar men kräver en överenskommelse med M87 Labs för tredjepartsdrift eller återhosting av modellen. Om du bygger ett internt verktyg är båda okej. Om du bygger en produkt vars värde ligger i att tillhandahålla den modellen till andra människor, är det bara en av dem som är okomplicerad.

Förvärvet tillför en andrahandssrisk som inte har något att göra med licenstexten: förvaltarskap. En modell vars kommersiella moderbolag just har bytt ägare och vars hostade produkt läggs ned är en modell vars färdplan du inte kan tyda. Det är inte ett skäl att undvika den – vikterna laddas ned, de hyrs inte – men det är ett skäl att testa den i stället för att standardisera på den det här kvartalet.

Vad mattningskapaciteten faktiskt är värd

Moondream 3 kommer att returnera en segmenteringsmask för "personen". WeVisOne-VL-4B kommer att returnera en mask och en alpha-matta med delvis transparens längs hår, päls och mjuka kanter, förfinad vid stride 1. För en kompositeringspipeline är det skillnaden mellan ett utklipp med en hård halo och ett som du kan lägga på en ny bakgrund utan ett rengöringssteg.

Tencents siffror för den är slående och overifierade: en genomsnittlig absolut skillnad på 7,3 på P3M-500-NP jämfört med 15,4 för den starkaste baslinje som författarna anger, och 9,8 för referring-expression-mattning på WeRefMat jämfört med 22,4. De kommer från artikeln, togs fram av modellens författare och har inte reproducerats. De är också det enda offentliga beviset på att metoden fungerar, eftersom inget oberoende labb har kört den ännu.

Att köra en modell när slutpunkten försvinner

Nedstängningen av Moondream är en användbar påminnelse om att en hostad slutpunkt är ett beroende med en livstid som någon annan kontrollerar. Varken Moondream 3 eller WeVisOne-VL-4B finns i OrcaRouters katalog i dag, så det här är inte en pitch för en rutt som finns — det är anledningen till att routingskiktet överhuvudtaget finns.

När en leverantör drar tillbaka en modell är skillnaden mellan ett avbrott och en konfigurationsändring om din applikation refererar till ett modellnamn eller en slutpunkts-URL. OrcaRouter har fler än 200 modeller bakom en enda nyckel med 0 % påslag över leverantörens listpris, och automatisk redundansväxling flyttar en begäran till en fungerande leverantör i stället för att returnera ett fel. För en pipeline som bygger på en modell som kan bli uppköpt är den abstraktionen den del som du inte kan eftermontera på tre veckor.

Rekommendationen, tre veckor innan

Om du kör Moondream 3 Preview eller 3.1 via det hostade API:et är beslutet nu och det handlar inte om kvalitet: gå över till egenhosting av Photon, eller välj en annan modell, före den 13 november. Vänta inte på att en ersättningstjänst ska dyka upp.

Om du väljer något nytt och ditt arbete slutar i masker eller mattes, är WeVisOne-VL-4B det mer intressanta valet och det mindre beprövade — Apache 2.0, en verklig arkitektonisk idé och två dagars offentlig historik. Om du behöver en bred visuell resonemangsmodell med en mogen inferensmotor och en dokumenterad historik över många uppgifter, är Moondream 3 fortfarande den säkrare modellen att självhosta, oavsett förvärv eller inte.

Och om det du faktiskt behöver varken är det ena eller det andra, utan en allmän visionsmodell bakom ett API som du inte behöver driva, är det en annan fråga med ett mycket kortare svar. Ingen av dessa modeller är det.