Moondream 3.1 9B A2B ปะทะ North Micro Vision Instruct: ผู้ให้บริการรายใดกันแน่ที่ให้คุณตรวจสอบตัวเลขได้

โมเดลวิชันแบบเปิดสองตัว ห่างกันสี่เดือน แทบไม่มีอะไรเหมือนกันเลยในเรื่องวิธีที่พวกมันขอให้ถูกตัดสิน M​oondream 3.1 9B A2B เปิดตัวเมื่อวันที่ 7 กรกฎาคม 2026 พร้อมตารางเบนช์มาร์ก ส่วนท้ายระเบียบวิธีที่ระบุ H100 SXM5 ตัวเดียวและขนาดแบตช์ 16 และข้อโต้แย้งที่ดำเนินไปทั่วโพสต์เดียวกันว่าเบนช์มาร์กไม่ได้วัดสิ่งที่ลูกค้าของมันต้องการจริง ๆ North Micro Vision Instruct มาถึงเมื่อวันที่ 12 สิงหาคม 2026 จาก C​ohere Labs ด้วยพารามิเตอร์ 2.4B ภายใต้ Apache 2.0 และโพสต์เปิดตัวใช้ความยาวทั้งหมดไปกับหลักสูตรการฝึกและชุดการประเมินของมัน — ฮาร์เนสที่ใช้ และพารามิเตอร์การสุ่มแบบเจาะจงที่ตัวเลขเหล่านั้นถูกสร้างขึ้นมาด้วย

นั่นคือความแตกต่างเชิงประเภทที่แท้จริง และมีประโยชน์ต่อผู้ซื้อมากกว่าจำนวนพารามิเตอร์ของโมเดลใดโมเดลหนึ่ง ผู้ขายรายหนึ่งกำลังบอกคุณว่าต้องทำอย่างไรจึงจะจำลองตารางของตนขึ้นมาใหม่ได้ อีกรายหนึ่งกำลังบอกคุณว่าอย่าไปเชื่อตาราง แล้วก็พิมพ์ตารางออกมาหนึ่งอัน เท่าที่เราเสาะหาพบ ยังไม่มีรายใดที่ได้รับการประเมินอย่างอิสระ ดังนั้นคำถามที่ตัดสินได้จริงว่าควรเอนไปทางชุดตัวเลขชุดไหน ก็คือว่าแต่ละผู้ขายได้ให้อะไรกับคุณไว้ให้ตรวจสอบมากน้อยเพียงใด

แต่ละอย่างคืออะไร

Moondream 3.1 9B A2B เป็นโมเดล vision-language แบบ sparse mixture-of-experts โดยมีพารามิเตอร์ทั้งหมด 9B เปิดใช้งาน 2B ต่อโทเคน มี experts 64 ตัว และเปิดใช้งาน 8 ตัว ตัวเข้ารหัสภาพ SigLIP พร้อมการเชื่อมช่องสัญญาณแบบ multi-crop บริบทขนาด 32K โทเคน และ tokenizer แบบ SuperBPE ทักษะทั้งสี่ของมัน — query detect pointและcaption — ถูกฝึกฝนเข้าไปในตัวโมเดลแทนที่จะอาศัยการพรอมป์ต์ และเส้นทาง detect กับ point จะคืนค่าเป็นเรขาคณิตแบบมีโครงสร้างแทนที่จะเป็นคำบรรยาย มันทำงานบน Photon ซึ่งเป็นเอนจินอินเฟอเรนซ์ของผู้พัฒนา โดยมุ่งเป้าไปที่ GPU ของ NVIDIA ตั้งแต่รุ่น Ampere เป็นต้นไป และ Apple Silicon

North Micro Vision Instruct เป็นโมเดลแบบ dense ขนาด 2.4B ที่สร้างขึ้นจากสามส่วน: เอนโคเดอร์วิชันความละเอียดเนทีฟขนาด 400M ที่ผ่านการฝึกฝนล่วงหน้าเพิ่มเติมจากเช็คพอยต์ SigLIP 2 SO400M ของ Google, โปรเจกเตอร์ที่ใช้รูปแบบ DeepStack ในการฉีด patch embeddings จากเลเยอร์ของเอนโคเดอร์หลายชั้นเข้าไปในเลเยอร์ช่วงต้นของโมเดลภาษา, และโมเดลภาษาขนาด 2B ที่ชื่อ North Micro LLM ที่ใช้สถาปัตยกรรม Command A+ ของ Cohere มันรับข้อความและรูปภาพที่สลับกันไปมา — หนึ่งหรือหลายรูป — และส่งออกข้อความ คำศัพท์ของ tokenizer คือ 262,144 และภาษาที่ระบุไว้มีถึงสิบเอ็ดภาษาบวกกับ "และอื่นๆ"

ความแตกต่างด้านประเภทของผลลัพธ์ควรกล่าวไว้ตรง ๆ เพราะมันกำหนดสิ่งที่ตามมา: M​oondream เป็นโมเดลการรับรู้ที่ตอบด้วยกล่องและพิกัด ส่วน North Micro Vision เป็นโมเดลความเข้าใจที่ตอบด้วยภาษา ทุกสิ่งที่ผู้ขายแต่ละรายเผยแพร่ล้วนเป็นการวัดงานหนึ่งในสองงานนั้น และทั้งสองงานก็ไม่ใช่งานเดียวกัน

ตัวเลข 8K ที่ไม่ใช่หน้าต่างบริบทของโมเดล

เริ่มจากกับดักก่อน เพราะมันอยู่ตรงกลางของการ์ดโมเดล North Micro Vision และมันเป็นสิ่งประเภทที่ไปโผล่ในการตัดสินใจด้านสถาปัตยกรรมโดยบังเอิญ

• North Micro Vision Instruct — โครงข่ายภาษาหลักมีหน้าต่างบริบท 128,000 โทเคน; ช่วงการทำงานแบบมัลติโมดัลที่ผ่านการตรวจสอบรองรับได้สูงถึง 8,000 โทเคน การ์ดระบุไว้อย่างชัดเจนว่าบริบทแบบมัลติโมดัลที่ยาวกว่านี้อาจต้องอาศัยการอนุมานนอกช่วงข้อมูล และยังไม่ได้รับการทดสอบวัดประสิทธิภาพ

• M​oondream 3.1 9B A2B — 32,000 โทเค็น, ตัวเลขเดียว, ไม่มีการแยกตามมอดาลิตีที่เผยแพร่

ดังนั้น ตัวเลขที่พาดหัวข่าวจึงเอื้อประโยชน์ต่อ North Micro Vision ถึงสี่เท่า และตัวเลขที่จะใช้จริงกับภาระงานภาพของคุณก็เอื้อประโยชน์ต่อ M​oondream ถึงสี่เท่าเช่นกัน หากคุณกำลังประเมินว่าเอกสารที่สแกนหนึ่งฉบับบรรจุได้กี่หน้าในการเรียกหนึ่งครั้ง 128K คือตัวเลขที่ผิด และ 8K คือตัวเลขที่ถูกต้อง และโทเค็นภาพและข้อความที่สลับกันไปมาจำนวน 8K ก็ไม่ถือว่าหลายหน้า เมื่อตัวเข้ารหัสความละเอียดเนทีฟเริ่มปล่อยโทเค็นตามสัดส่วนของพื้นที่พิกเซล ผู้ขายสมควรได้รับเครดิตที่เผยแพร่ข้อควรระวัง — การ์ดส่วนใหญ่คงไม่ทำ — แต่ข้อควรระวังนั้นกลับถูกฝังอยู่ใต้ตารางข้อมูลจำเพาะ และตารางต่างหากที่ถูกคัดลอกไป

วิธีที่ผู้ขายทั้งสองรายรายงาน เมื่อเทียบเคียงกัน

นี่คือส่วนของการเปรียบเทียบที่ไม่เกี่ยวข้องกับโมเดลเลย แต่เกี่ยวข้องทั้งหมดกับว่าโมเดลตัวไหนที่คุณสามารถตรวจสอบได้

โพสต์ 3.1 ของ M​oondream ระบุ baseline ของตน (Qwen3.5 9B, SAM 3, LocateAnything, Gemma 4 12B) เมตริกของตน (F1@0.5 สำหรับการตรวจจับ) ฮาร์ดแวร์ของตน (H100 SXM5 หนึ่งตัว) ขนาดแบตช์ของตน (16) และข้อเท็จจริงที่ว่าแต่ละโมเดลให้บริการโดยเอนจินของตัวเอง — vLLM สำหรับ LocateAnything, Qwen3.5 และ Gemma 4; Photon สำหรับ M​oondream; Hugging Face Transformers สำหรับ SAM 3 นอกจากนี้ยังระบุว่ามีการเลือกการตั้งค่าความแม่นยำและการให้เหตุผลสูงสุดสำหรับแต่ละโมเดล และ LocateAnything ทำงานในโหมดช้าเพื่อเพิ่มความแม่นยำให้สูงสุด ผลลัพธ์ที่เผยแพร่คือ 81.46 F1@0.5 บน COCO val, 93.94 บน ODinW-13, 67.4 บน LVIS, 74.61 บน Dense200, 52.77 บน SKU-110K, 74.5 บน CrowdHuman, 87.1 บน RefCOCO-M, 70.39 บน HumanRef, 59.63 บน DOTA-v2, 90.35 บน CountBench, 74.86 บน TallyQA, 88.68 บน PixMo-Count, 86.01 บน ChartQA และ 88.6 บน DocVQA พร้อมข้ออ้างว่าเป็น state-of-the-art บนห้าตระกูลของเบนช์มาร์ก

สิ่งที่ไม่มีในส่วนท้ายนั้นคือสิ่งที่ทำให้ผลลัพธ์สามารถทำซ้ำได้ นั่นคือพรอมป์ต์ การตรวจจับเป็นงานแบบคำศัพท์เปิด และวลีที่คุณใช้ถามหาสิ่งหนึ่งส่งผลต่อสิ่งที่ได้กลับมา ผู้ที่รันซ้ำมีเมตริก ฮาร์ดแวร์ และขนาดแบตช์ แต่ก็ยังไม่สามารถทำซ้ำตัวเลขนั้นได้หากไม่รู้ว่าข้อความใดสร้างแต่ละกรอบขึ้นมา

โพสต์ของ Cohere Labs ใช้แนวทางอีกแบบหนึ่ง โดยระบุชื่อฮาร์เนส (VLMEvalKit) กล่าวว่าโมเดลถูกประเมินด้วยการใช้งาน vLLM ภายใน แสดงรายการองค์ประกอบของเบนช์มาร์กสำหรับแต่ละกลุ่มความสามารถ — General VQA เป็นค่าเฉลี่ยจาก MMBench, MMStar, RealWorldQA และ GQA; กลุ่มแผนภูมิ เอกสาร และ OCR ครอบคลุม ChartQA, DocVQA, InfoVQA, OCRBench, OCRBench v2 และ AI2D; grounding และการนับเป็นค่าเฉลี่ย RefCOCO และ CountBench — และเผยแพร่พารามิเตอร์การสุ่มที่ใช้สร้างตัวเลขเหล่านั้น: temperature 0.7, top_p 0.8, top_k 20, min_p 0.0, presence_penalty 1.5, repetition_penalty 1.0 นอกจากนี้ยังระบุว่าการสนับสนุน vLLM สาธารณะจะ "เร็ว ๆ นี้" ซึ่งเป็นการเปิดเผยอย่างตรงไปตรงมาที่สำคัญที่สุดสำหรับใครก็ตามที่วางแผนจะทำซ้ำ: โมเดลนี้ถูกทดสอบบน fork

สิ่งที่โพสต์นั้นไม่ได้เผยแพร่คือตารางแยกตาม benchmark ผลลัพธ์ของมันคือค่าเฉลี่ยตามกลุ่มความสามารถและข้อกล่าวอ้างเชิงสัมพัทธ์ — ในโหมด Instruct, 35B-A3B ได้คะแนนสูงกว่าโดยใช้เวลา inference น้อยกว่า Qwen3.6 35B-A3B และรุ่น 1B ทำได้ดีกว่า Qwen3.5 0.8B ทั้งในด้านคะแนนและประสิทธิภาพ — ซึ่งไม่สามารถยกมาอ้างได้ทันทีเท่า และทนทานต่อการเลือกข้อมูลเฉพาะที่เข้าข้างฝ่ายตนมากกว่า ไม่มีเอกสารฉบับใดให้คุณคำนวณตัวเลขของอีกผู้จำหน่ายใหม่ได้ ทั้งสองฉบับทำให้คุณเห็นว่าพวกเขาปกปิดข้อมูลไว้มากเพียงใด

จุดที่ความแตกต่างทางสถาปัตยกรรมปรากฏให้เห็นในทางปฏิบัติ

ความละเอียดดั้งเดิมคือการตัดสินใจด้านการออกแบบหนึ่งเดียวใน North Micro Vision ที่เปลี่ยนแปลงงานประจำวัน และเป็นสิ่งที่ควรทำความเข้าใจก่อนดูตารางเกณฑ์มาตรฐาน ตัวเข้ารหัสภาพส่วนใหญ่จะปรับขนาดภาพที่คุณป้อนให้เป็นสี่เหลี่ยมจัตุรัสขนาดคงที่ ซึ่งเป็นสาเหตุที่ภาพหน้าจอสเปรดชีตแบบกว้างไปถึงโมเดลภาษาโดยมีคอลัมน์ถูกบีบแบน ตัวเข้ารหัสของ North Micro Vision ได้รับการฝึกให้รับภาพที่ความละเอียดและอัตราส่วนภาพของภาพเอง โดยรักษารายละเอียดปลีกย่อยของเอกสาร ตาราง แผนภูมิ และแบบฟอร์มไว้ หลักสูตรที่เผยแพร่เริ่มจากขั้น 384×384 แบบคงที่บนตัวอย่าง 10 ล้านรายการ ไปจนถึงขั้น 1024×1024 บน 13 ล้านรายการและมากกว่านั้น

เอนโคเดอร์ของ Moondream กลับใช้วิธี multi-crop: รูปภาพจะถูกมองเป็นชุดของครอปซึ่งฟีเจอร์ถูกนำมาต่อกัน ซึ่งเป็นวิธีหนึ่งในการรักษารายละเอียดบนอินพุตขนาดใหญ่ และเชื่อมโยงกับวิธีการที่ส่วนหัวตรวจจับของมันสร้างกล่อง ทั้งสองเป็นคำตอบที่ถูกต้องสำหรับปัญหาเดียวกัน และไม่มีผู้ขายรายใดเผยแพร่การเปรียบเทียบแบบตัวต่อตัวที่ความละเอียดเท่ากัน ดังนั้นสิ่งที่มีประโยชน์จากการอภิปรายสถาปัตยกรรมจึงแคบกว่าคำตัดสิน: ถ้างานของคุณคือเอกสารที่หนาแน่นและภาพหน้าจอ UI ที่กว้าง ความละเอียดดั้งเดิมคือคุณสมบัติที่ต้องทดสอบ และการทดสอบคือภาพหน้าจอของคุณเอง ไม่ใช่แถวในเบนช์มาร์ก

ความแตกต่างเชิงโครงสร้างอีกประการหนึ่งคือหลายภาพและวิดีโอ North Micro Vision Instruct รองรับอินพุตหลายภาพแบบสลับ และจัดอันดับเกณฑ์มาตรฐานหลายภาพไว้ในกลุ่มที่ประเมิน M​oondream 3.1 9B A2B ถูกจำกัดขอบเขตให้ใช้หนึ่งภาพต่อการเรียกหนึ่งครั้ง — ไม่มีเส้นทางวิดีโอ ไม่มีเส้นทางหลายภาพ ซึ่งสอดคล้องกับการออกแบบของมัน งานเขียนเชิงวิศวกรรมของ M​oondream เองเกี่ยวกับวิดีโอสดโต้แย้งว่าปัญหาอยู่ที่ระบบท่อส่งการอนุมาน มากกว่าความสามารถของโมเดล และคำตอบของบริษัทต่อภาระงานเชิงเวลาคือเอนจินที่ตามสตรีมทัน มากกว่าจะเป็นเช็กพอยต์ที่รับข้อมูลเข้าไปทีละหนึ่ง ว่าคำตอบนั้นดีกว่าคำตอบของโมเดลที่รับ 128 เฟรมในครั้งเดียวหรือไม่นั้นเป็นคำถามเปิดที่ตอบตรง ๆ ได้ยาก และผู้ขายทั้งสองรายก็ไม่ได้วัดสิ่งเดียวกัน

การติดตั้งใช้งานและสิทธิ์การใช้งาน อย่างรวดเร็ว

• ขนาด — 9B ทั้งหมด / 2B ที่ใช้งานจริง เทียบกับ 2.4B แบบ dense ในแง่พื้นที่จัดเก็บ ช่องว่างกว้างกว่าที่อัตราส่วนพารามิเตอร์ที่ใช้งานจริงบ่งชี้ เพราะ footprint ของโมเดลแบบ sparse ขึ้นอยู่กับจำนวนรวมของมัน

• ระดับการปรับละเอียด — โมเดลแบบ dense ขนาด 2.4B นั้นเล็กพอที่จะ fine-tune บนอุปกรณ์เดียวได้ ส่วนโมเดลแบบ sparse ขนาด 9B ต้องการการตั้งค่าการเทรนจริงจังสำหรับสิ่งใดก็ตามที่เกินกว่า LoRA ซึ่งเป็นเหตุผลว่าทำไมเส้นทางการปรับแต่งของ M​oondream เองจึงต้องผ่านผลิตภัณฑ์แบบโฮสต์

• รันไทม์ — North Micro Vision Instruct ต้องใช้ Transformers 5.16.0 พร้อม accelerate และ Pillow; มีการควอนไทซ์จากชุมชนในรูปแบบ MLX, LiteRT และรูปแบบที่ใกล้เคียง ONNX. M​oondream 3.1 9B A2B ทำงานบน Photon โดยแพ็กเกจ GGUF จากบุคคลที่สามชุดแรกของเช็กพอยต์จะปรากฏในวันที่ 15 ตุลาคม 2026

• สัญญาอนุญาต — Apache 2.0 สำหรับ North Micro Vision Instruct โดยไม่มีเกณฑ์ขั้นต่ำและไม่มีข้อจำกัดในการโฮสต์ให้ผู้อื่น Moondream Model License 1.0 สำหรับ Moondream 3.1 9B A2B: อนุญาตให้ใช้เชิงพาณิชย์ โฮสต์ด้วยตนเอง ปรับจูนละเอียด ควอนไทเซชัน และเผยแพร่ต่อได้ทั้งหมด โดยมีข้อห้ามหนึ่งข้อ — คุณต้องไม่ให้บริการการอนุมาน (inference) หรือการปรับจูนละเอียด (fine-tuning) ของ Moondream สำหรับการใช้งานทั่วไปในฐานะบริการโฮสต์

• การหมุนเวียน — North Micro Vision Instruct ไม่มีการเปลี่ยนแปลงนับตั้งแต่เปิดตัว; สิ่งที่เพิ่มเข้ามาล่าสุดที่น่าสนใจคือการควอนไทซ์จากบุคคลที่สาม ข้อกำหนดของ M​oondream มีการเปลี่ยนแปลงในช่วงสองสัปดาห์ที่ผ่านมา: Prime Intellect เข้าซื้อบริษัทเมื่อวันที่ 13 ตุลาคม 2026 และ M​oondream Cloud ซึ่งรวมถึงผลิตภัณฑ์ fine-tuning Lens จะปิดให้บริการในวันที่ 13 พฤศจิกายน 2026 น้ำหนักโมเดลและ Photon ไม่ได้รับผลกระทบ ส่วนเส้นทางแบบโฮสต์ได้รับผลกระทบ

โมเดลตัวที่สองในไปป์ไลน์ และใครเป็นผู้กำหนดเส้นทางให้มัน

checkpoint ทั้งสองนี้ไม่ได้ให้บริการบน OrcaRouter ดังนั้นโปรดอ่านส่วนนี้เป็นบันทึกการผสานรวมก็แล้วกัน ทั้งคู่เป็นคอมโพเนนต์แบบขั้นตอนเดียว: ตัวหนึ่งคืนค่ากล่อง (boxes) อีกตัวคืนค่าข้อความ และระบบโปรดักชันจำเป็นต้องมีโมเดลอยู่เบื้องหลังเพื่อตัดสินใจว่าสิ่งที่สังเกตได้นั้นหมายความว่าอย่างไรและเพื่อบันทึกมันลงไป ขั้นตอนนั้นเป็นขั้นตอนข้อความ โดยปกติมีค่าใช้จ่ายต่อการเรียกใช้สูงกว่าขั้นตอนวิชัน และเป็นขั้นตอนที่คุณจะอยากสลับเปลี่ยนก่อนเป็นอันดับแรกเมื่อมีโมเดลให้เหตุผลที่ถูกกว่าหรือดีกว่าปรากฏขึ้น การสลับเปลี่ยนดังกล่าวผ่านปลายทาง (endpoint) เดียวที่เข้ากันได้กับ OpenAI ซึ่งครอบคลุมโมเดลกว่า 200 รายการ — โดยมีราคาตามรายการของผู้ให้บริการส่งผ่านตรงโดยไม่บวกราคาเพิ่ม 0% และมีการสลับไปใช้ผู้ให้บริการรายอื่นอัตโนมัติเมื่อผู้ให้บริการต้นทางมีช่วงเวลาที่มีปัญหา — หมายถึงการเปลี่ยนตัวระบุโมเดลแทนที่จะต้องเดินท่อกล้องใหม่ เมื่อความเห็นเดียวไม่เพียงพอ การหลอมรวมโมเดล (model fusion) จะรันคณะโมเดลบนอินพุตเดียวกัน และ DSL การกำหนดเส้นทางจะประกอบหลายโมเดลเข้าด้วยกันเป็นการเรียกครั้งเดียว

มีจุดหนึ่งที่เราระบุได้เจาะจงยิ่งขึ้น และการซื่อสัตย์ว่ามันเอนไปทางใดก็คุ้มค่า North Micro Vision Instruct เป็น Apache 2.0 และเล็กพอที่จะรันบนฮาร์ดแวร์ที่คุณเป็นเจ้าของ ซึ่งหมายความว่าข้อโต้แย้งตามปกติสำหรับการส่งโมเดลวิชันผ่านปลายทางที่โฮสต์ไว้ — ที่ว่าคุณไม่สามารถโฮสต์เองได้ — ใช้ไม่ได้ ข้อโต้แย้งที่เหลืออยู่คือข้อโต้แย้งธรรมดา ๆ: โมเดลที่สองในลูป ใช้คีย์เดียวกัน มีบิลเดียวและชุดข้อมูลรับรองชุดเดียว

ควรเลือกอันไหน และอะไรจะเปลี่ยนคำตอบ

เลือก North Micro Vision Instruct หากคุณกำลังอ่านเอกสาร ตาราง แผนภูมิ หรือหน้าจอ หากคุณต้องการรูปภาพหลายรูปในการเรียกครั้งเดียว หาก Apache 2.0 มีความสำคัญเพราะคุณตั้งใจจะโฮสต์โมเดลให้ผู้อื่น หรือหากคุณต้องการเช็คพอยต์ขนาด 2.4B ที่คุณสามารถไฟน์ทูนได้ด้วยข้อมูลของคุณเอง การ์ดโมเดลของ C​ohere ชี้ไปที่การไฟน์ทูนเป็นวัตถุประสงค์การใช้งาน และสัญญาอนุญาตไม่เป็นอุปสรรคใดๆ

เลือก Moondream 3.1 9B A2B หากผลลัพธ์ของคุณคือข้อมูลเรขาคณิต — กรอบพิกัด ตำแหน่ง พิกัด จำนวนที่นับพร้อมอินสแตนซ์กำกับ — และการติดตั้งใช้งานของคุณคือเครื่อง CUDA ที่มี Photon อยู่บนนั้น โมเดลนี้เป็นโมเดลเฉพาะทาง และคำกล่าวอ้างเรื่องความเร็วของมันมุ่งเป้าไปที่ภาระงานนั้นโดยเฉพาะ

สิ่งที่จะเปลี่ยนคำตอบสำหรับทั้งสองรายคือการประเมินโดยอิสระ และนั่นคือสิ่งที่ต้องจับตาดูต่อไป ตัวเลขของผู้ขายทั้งสองรายยังไม่เคยถูกทำซ้ำภายนอกผู้ขาย และแต่ละรายก็เผยแพร่ภายใต้เงื่อนไขที่ทำให้การทำซ้ำยากเกินความจำเป็น รายหนึ่งไม่เปิดเผยพรอมป์ต์ของตน อีกรายรันบนการใช้งานเสิร์ฟภายในของเฟรมเวิร์กที่การสนับสนุนสาธารณะยังอยู่ระหว่างรอ เมื่อบุคคลที่สามรันเช็กพอยต์ใดเช็กพอยต์หนึ่งบนชุดเอกสารเดียวกัน ตารางของโมเดลใดที่ผ่านการสัมผัสนั้นมาได้โดยยังสมบูรณ์ คือโมเดลที่ควรค่าแก่การเชื่อถือ และจนกว่าจะถึงตอนนั้น ผู้ขายที่บอกคุณว่าตนวัดอย่างไรคือรายที่โต้แย้งด้วยได้ง่ายกว่า

ผลลัพธ์แบบนี้ยังเป็นเครื่องเตือนใจว่าความผิดพลาดของโมเดลได้รับการบันทึกไว้แล้ว: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่อยู่เบื้องหลังโมเดลระดับนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งที่มาของตนเอง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้ง