SingVL_S1_4B กับ Moondream 3: พิกัดหรือความน่าจะเป็น
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 102 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0732 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 122 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 229 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 39 tok/s
- Orcaใหม่OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 97 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 124 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 105 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 63 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 418 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228ความฉลาด
โมเดลทั้งสองนี้สัญญาว่าจะให้โครงสร้างแทนข้อความร้อยแก้ว และความคล้ายคลึงกันก็จบลงตรงนั้น Moondream 3ตอบเป็นพิกัด: ถ้าขอให้หาคนในภาพถ่าย มันจะคืนกรอบพร้อมป้ายกำกับ ถ้าถามว่าที่จับอยู่ตรงไหน มันจะคืนจุด ถ้าขอให้เขียนคำบรรยายภาพ มันจะคืนประโยคหนึ่งประโยค SingVL_S1_4Bตอบเป็นความน่าจะเป็น: ถ้าให้ตัวเลือกมา มันจะคืนตัวเลขต่อหนึ่งตัวเลือก ถ้าให้ข้อความบอกเล่ามา มันจะคืนความน่าจะเป็นที่ข้อความนั้นเป็นจริง ตัวหนึ่งบอกคุณว่าสิ่งใดอยู่ที่ไหน อีกตัวบอกคุณว่ามันมั่นใจแค่ไหน การเลือกระหว่างสองตัวนี้เป็นคำถามว่าไปป์ไลน์ของคุณจำเป็นต้องใช้คำตอบแบบใดในสองแบบนี้มาตลอด และสองตัวนี้แทบจะใช้แทนกันได้ยาก
สองรูปแบบของ "เอาต์พุตแบบมีโครงสร้าง"
Moondream 3 เป็นโมเดลภาพแบบ mixture-of-experts — มีพารามิเตอร์รวม 9B และเปิดใช้งานจริง 2B — ซึ่งผู้พัฒนา คือ Moondream อธิบายว่าสร้างขึ้นเพื่อการให้เหตุผลเชิงภาพและการตรวจจับในต้นทุนที่เหมาะแก่การนำไปใช้งานจริง มีสี่ความสามารถที่เป็นแบบเนทีฟแทนที่จะต้องสั่งผ่านพรอมป์ต์ ได้แก่ query สำหรับการตอบคำถามเชิงภาพ, detect สำหรับกล่องแบบ open-vocabulary, point สำหรับจุดกึ่งกลาง และ caption ทั้งสี่ให้ผลลัพธ์แบบมีโครงสร้างแทนข้อความเชิงสนทนา และสามารถดาวน์โหลดน้ำหนักโมเดลได้ฟรีและรันในเครื่องผ่าน Photon เอนจินสำหรับการอนุมานของผู้พัฒนาเอง บน GPU ของ NVIDIA ตั้งแต่รุ่น Ampere ขึ้นไป หรือบน Apple silicon โมเดลนี้เปิดตัวในรูปแบบพรีวิวเมื่อเดือนกันยายน 2025 และถูกแทนที่ด้วย Moondream 3.1 ในเดือนกรกฎาคม 2026 ซึ่งเป็นรุ่นปัจจุบันของสถาปัตยกรรมเดียวกัน
SingVL_S1_4B เป็นโมเดลตัดสินใจที่อัปโหลดโดย inclusionAI เมื่อวันที่ 11 พฤศจิกายน 2026 โดยไม่มีการประกาศ โมเดลนี้รับสถานะ — ข้อความ JSON หรือรูปภาพสูงสุดสี่รูป — และพจนานุกรมของคำถามที่มีชื่อ ซึ่งแต่ละคำถามระบุประเภทและคำตอบที่เป็นตัวเลือก Choice คืนค่าความน่าจะเป็นต่อตัวเลือก noul คืนค่าความน่าจะเป็นที่ข้อเสนอแบบใช่/ไม่ใช่เป็นจริง score คืนค่าความน่าจะเป็นต่อระดับในช่วงสองถึงสิบระดับแบบเรียงลำดับ พร้อมระดับที่คาดหวัง หนึ่ง forward pass ต่อคำขอ ไม่มีการสร้างโทเค็น ไม่มีเอาต์พุตแบบอิสระใด ๆ
พูดให้ชัดเจน: ลองให้ภาพคลังสินค้าและคำว่า “pallet” แก่ Moondream 3 มันจะคืนกล่องให้คุณ ส่วน SingVL_S1_4B ให้ดูภาพเดียวกันพร้อมคำถามว่า “ภาพนี้ปลอดภัยพอจะจัดส่งหรือไม่” และตัวเลือก yes กับ no มันจะคืนค่า 0.91 และ 0.09 ให้คุณ ทั้งสองแบบมีโครงสร้างชัดเจน แต่ไม่มีตัวไหนสร้างเอาต์พุตของอีกตัวได้
จริง ๆ แล้วโมเดล 9B มีไว้เพื่ออะไร
เอกสารเปิดตัวของ Moondream เองพูดตรงอย่างผิดปกติถึงข้อจำกัดของ benchmark แล้วก็ยังเผยแพร่ชุดข้อมูลที่หนาแน่นออกมาอยู่ดี ในการตรวจจับที่ [email protected] ตัวเลขที่สำคัญคือ COCO ที่ 81.46, ODinW-13 ที่ 93.94, Dense200 ที่ 74.61 และ SKU-110K ที่ 52.77 — สองตัวหลังเป็นชุดฉากที่แน่นขนัดซึ่งโมเดลวิชันทั่วไปมักล้มเหลว ส่วน Referring detection อยู่ที่ 87.1 บน RefCOCO-M เมื่อเทียบกับสิ่งเหล่านั้น LVIS ที่ 67.4 และ HumanRef ที่ 70.39 คือแถวที่มันแพ้คู่แข่ง ซึ่งผู้ขายพิมพ์ออกมาแทนที่จะซ่อน
โปรไฟล์แบบนั้น — แข็งแกร่งด้านการตรวจจับแบบ dense และ open-vocabulary แต่อ่อนกว่าด้าน referring แบบละเอียดซึ่งผู้เชี่ยวชาญเฉพาะทางชนะ — คือสิ่งที่ 2B-active MoE มอบให้ โมเดลเร็วเพราะพารามิเตอร์ส่วนใหญ่ไม่ถูกใช้ต่อโทเคน และแม่นยำในการนับและการระบุตำแหน่ง เพราะทักษะเหล่านี้ถูกฝึกให้เป็นทักษะหลักตั้งแต่แรก แทนที่จะเกิดขึ้นเองจากการสร้างคำบรรยายภาพ
รูปแบบเชิงพาณิชย์นี้น่าสนใจเพราะตรงกันข้ามกับการเปิดตัวงานวิจัยโดยทั่วไป น้ำหนักโมเดลเปิดให้ใช้ฟรีภายใต้ Moondream Model License การรันโมเดลในเครื่องไม่ต้องใช้คีย์ API และบริการแบบโฮสต์คิดราคาต่อโทเค็น: 0.30 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 1.00 ดอลลาร์ต่อล้านโทเค็นเอาต์พุตสำหรับแบบเรียลไทม์ โดยลดครึ่งหนึ่งเหลือ 0.15 และ 0.50 ดอลลาร์สำหรับแบบแบตช์ มีระดับใช้งานฟรี เพลย์กราวด์ เส้นทางการใช้งานในเครื่องที่มีเอกสารประกอบ และข้อความสัญญาอนุญาตให้อ่าน ไม่มีส่วนใดของการเปิดตัวนี้ที่คลุมเครือ
จริง ๆ แล้วโมเดล 4.5B มีไว้เพื่ออะไร
การ์ดของ SingVL_S1_4B เผยแพร่ตาราง "Public Decision Index 0.3": 69.76 ในแผง Text และ 73.94 ใน Vision เทียบกับ TypeSafe Jev 1.14 ที่ 60.70 ด้าน text, StartLux-Decision v1.1 4B ที่ 67.8 และ 67.90 และ Perplexity Decider Flash v1.2 ที่ 60.1 และ 72.5 แถวรายชุดข้อมูลแสดงว่าค่าภาพรวมมาจากไหน — InfographicVQA 96.31, Winoground 93.12, การสกัดข้อมูลสำคัญ 95.82 อยู่บนสุด; MMMU-Pro vision 50.17, R-Bench-M 49.77 และการกลั่นกรองมีมที่แสดงความเกลียดชัง 71.64 อยู่ล่างสุด
ตัวเลขเหล่านั้นเป็นตัวเลขของผู้ขายเองบนลีดเดอร์บอร์ดที่ผู้เขียนของลีดเดอร์บอร์ดเองมีส่วนช่วยทำให้เป็นทางการ โดยเกิดจากการให้คะแนนตัวเลือกที่จัดเตรียมไว้ให้ แทนที่จะเป็นการสร้างคำตอบขึ้นมา และยังไม่มีใครทำซ้ำผลเหล่านั้นได้ รีโพซิทอรีมีอายุได้สองวันตอนที่เขียนสิ่งนี้ มีดาวน์โหลดเป็นศูนย์ ไม่มีไฟล์ไลเซนส์แนบมา และไม่มีเปเปอร์อยู่เลย ชุดเครื่องมือทำซ้ำผลแบบสาธารณะของ Decision Index ไม่แสดงการส่งผลใด ๆ จากโมเดลนี้
ดังนั้นข้อกล่าวอ้างที่ใช้งานได้จึงแคบและเป็นเชิงโครงสร้างมากกว่าเชิงตัวเลข: การส่งผ่านไปข้างหน้าหนึ่งครั้งที่คืนค่าความน่าจะเป็นที่ปรับเทียบแล้วต่อผู้สมัครหนึ่งรายเป็น primitive ที่แตกต่างจากโมเดลที่คืนพิกัดหรือข้อความ มันคือ primitive ที่คุณต้องการเมื่อการตัดสินใจในขั้นปลายทางเป็นเกณฑ์ขั้นต่ำ — เมื่อมีคนตัดสินใจไว้แล้วว่าถ้าสูงกว่า 0.8 ให้ลงมือทำ และถ้าต่ำกว่า 0.3 ให้ส่งต่อ มันไม่ใช่ primitive ที่คุณต้องการเมื่อขั้นตอนปลายทางจำเป็นต้องรู้ ที่ไหน.
ความทับซ้อนมีน้อยกว่าที่ชื่อชุดข้อมูลที่ใช้ร่วมกันบ่งชี้
การ์ดทั้งสองใบเกี่ยวข้องกับ visual grounding และคงเป็นเรื่องง่ายที่จะวางตัวเลขเทียบกันแล้วประกาศหาผู้ชนะ อย่าทำเช่นนั้น ความคลาดเคลื่อนสามจุดทำให้การเปรียบเทียบนั้นไร้ความหมาย
• รูปแบบงาน — คะแนนการตรวจจับของ Moondream มาจากการสร้างกล่องและจับคู่กับ ground truth ที่เกณฑ์ IoU ส่วนคะแนนด้านภาพของ SingVL_S1_4B มาจากการเลือกจากตัวเลือกที่คนอื่นเขียนไว้ โมเดลที่จัดอันดับตัวเลือกได้ถูกต้องไม่ได้แปลว่าจะเป็นโมเดลที่สามารถระบุตำแหน่งได้
• Harness — Moondream รายงาน [email protected] บนชุดการตรวจจับที่มีชื่อ ภายใต้การตั้งค่าการประเมินของตนเอง ส่วน SingVL_S1_4B รายงานความแม่นยำภายในชุดทดสอบของ Decision Index ที่ปรับแก้ด้วยโอกาสและปรับตามความครอบคลุม คำเดียวกัน แต่เป็นการวัดคนละแบบ
• ผู้จัดทำ — ชุดข้อมูลทั้งสองชุดเป็นข้อมูลที่ผู้จำหน่ายรายงานเอง ชุดของ Moondream ผ่านการตรวจสอบจากบุคคลที่สามและการพอร์ตโดยชุมชนมากว่าหนึ่งปีแล้ว ส่วนชุดของ SingVL_S1_4B ไม่เคยผ่านการตรวจสอบใด ๆ ตัวเลขหนึ่งในนั้นเคยถูกโต้แย้งในที่สาธารณะ
จุดที่ทั้งสองเปรียบเทียบกันได้อย่างแท้จริงคืองานที่ทั้งคู่สามารถแสดงออกมาได้ นั่นคือ ภาพนี้มีการละเมิดหรือไม่ และอยู่ในหมวดหมู่ใด Moondream จะตอบด้วยการตรวจจับหรือการตอบสนองต่อคำถาม ส่วน SingVL_S1_4B จะตอบด้วยการแจกแจงตัวเลือก นั่นคือการทดลองจริงที่ใครสักคนควรทำ และยังไม่เคยมีใครทำ
รูปแบบที่ผ่านการใช้งานจริง เพราะ API อธิบายผลิตภัณฑ์
วิธีที่ชัดเจนที่สุดในการมองเห็นความแตกต่าง คือการเขียนคำขอที่แต่ละโมเดลจะได้รับสำหรับงานเดียวกัน — การคัดกรองภาพถ่ายการจัดส่งก่อนที่จะส่งต่อไปยังเจ้าหน้าที่ปรับค่าสินไหม
กับ Moondream 3 การเรียกคือ detect(image, "damaged parcel") และผลลัพธ์ที่ได้คือรายการออบเจกต์พร้อม bounding box และค่าความมั่นใจ หรือรายการว่างหากไม่มีสิ่งใดตรงกัน คุณจะรู้ว่าพบความเสียหายหรือไม่และพบที่ใด จากนั้น caption(image) จะให้ประโยคที่อธิบายฉาก สองการเรียก สองโครงสร้าง ทั้งคู่เกี่ยวกับเนื้อหา
ด้วย SingVL_S1_4B การเรียกใช้งานจะส่งคำถามไปพร้อมกับคำขอ คำถามแบบเลือกหนึ่งข้อถามว่าพัสดุอยู่ในสภาพสมบูรณ์ เสียหาย หรือหายไป โดยมีตัวเลือกสามตัวเลือก คำถามแบบ noul ถามว่าฉลากอ่านออกหรือไม่ คำถามแบบให้คะแนนจะให้คะแนนคุณภาพของภาพตามระดับที่มีลำดับสี่ระดับ การตอบกลับจะมีความน่าจะเป็นของแต่ละตัวเลือกสำหรับแต่ละคำถาม และระดับที่คาดหวังสำหรับคะแนน เรียกครั้งเดียว ได้สามคำตอบ ทั้งหมดเกี่ยวกับความมั่นใจ
เส้นทาง Moondream มอบสิ่งที่ระบบการเคลมจะนำไปแสดงได้ ส่วนเส้นทาง SingVL มอบสิ่งที่ระบบจะใช้เป็นเงื่อนไขในการแยกเส้นทาง ทีมที่สร้างแบบแรกจะเห็นว่าแบบที่สองไม่มีประโยชน์ ทีมที่สร้างแบบที่สองจะพบว่าแบบแรกต้องมีตัวแยกวิเคราะห์ที่พวกเขาไม่อยากเขียน นี่คือการตัดสินใจทั้งหมด และมันถูกตัดสินเสร็จก่อนที่เบนช์มาร์กของผู้ขายรายใดรายหนึ่งจะถูกเปิดขึ้นมาด้วยซ้ำ
การรันพวกมันก็เปรียบเทียบกันไม่ได้เช่นกัน
Moondream 3.1 ทำงานบน GPU ของเวิร์กสเตชันหรือแล็ปท็อป Apple ผ่าน Photon โดยดาวน์โหลดน้ำหนักโมเดลจาก Hub เมื่อใช้งานครั้งแรก และไม่ต้องใช้คีย์สำหรับโมเดลพื้นฐาน มีเอนด์พอยต์แบบโฮสต์พร้อมราคาต่อโทเคนที่เผยแพร่ มีแพ็กเกจฟรีและคู่มือเริ่มต้นใช้งานด่วนที่มีเอกสารประกอบ และผู้ให้บริการเผยแพร่คู่มือการอนุมานในเครื่องซึ่งครอบคลุมฮาร์ดแวร์ที่รองรับ การสตรีม โมเดลที่ปรับแต่งละเอียด และการให้บริการผ่าน Triton ทุกเส้นทางมีเอกสารกำกับ และทุกราคาเปิดเผยต่อสาธารณะ
SingVL_S1_4B ทำงานบน GPU ที่คุณจัดหาให้ โดยดาวน์โหลด BF16 ขนาด 9.1 GB ผ่านสภาพแวดล้อม Python 3.12 และเซิร์ฟเวอร์ FastAPI ที่ผูกกับพอร์ต 8173 ซึ่งตอบรับที่ POST /v1/systemone คำแนะนำครบถ้วนและตัวอย่าง curl ใช้งานได้ ซึ่งมากกว่าที่การเปิดตัวแบบเงียบ ๆ ส่วนใหญ่ทำได้ สิ่งที่ไม่มีคือตัวเลือกแบบโฮสต์ใด ๆ บิลด์แบบควอนไทซ์ใด ๆ การผสานรวมกับเฟรมเวิร์กใด ๆ หรือไลเซนส์ใด ๆ ที่อนุญาตให้คุณเผยแพร่สิ่งที่คุณดาวน์โหลดมา
การไม่มีข้อกำหนดในกรณีหลังสุดมีนัยทางการค้า สัญญาอนุญาตของ Moondream เป็นแบบกำหนดเอง — ไม่ใช่โอเพนซอร์สในความหมายของ OSI — และผู้ขายระบุชัดเจนว่าการโฮสต์ค่าถ่วงน้ำหนักเป็นบริการคลาวด์ต้องมีสัญญาอนุญาตของตน ซึ่งเป็นเหตุผลที่มีระดับบริการแบบโฮสต์และมีการกำหนดราคา SingVL_S1_4B ไม่มีข้อกำหนดใด ๆ เลย ซึ่งไม่เหมือนกับแบบอนุญาตเปิดกว้าง: เมื่อไม่มีการให้สิทธิ์ ใครก็ตามนอก inclusionAI ไม่ได้รับอนุญาตให้ใช้ในเชิงพาณิชย์ และการทบทวนทางกฎหมายจะหยุดอยู่ที่จุดนั้น
จุดที่การตัดสินใจสิ้นสุดลง
ถ้างานคือการค้นหาสิ่งต่าง ๆ — การนับสต็อก การหาตำแหน่งชิ้นส่วน การแปลงเลย์เอาต์ให้ออกมาเป็นกรอบ การชี้ไปที่มือจับ — Moondream 3 เป็นตัวเดียวในสองตัวที่ทำสิ่งนี้ได้ และตัวเลขในฉากที่มีฝูงชนของมันคือเหตุผลที่ควรเลือกใช้แทนโมเดลวิชันทั่วไปสำหรับงานลักษณะนี้ นอกจากนี้ยังมีตารางราคา ใบอนุญาต เส้นทางใช้งานในเครื่อง และปีที่ผู้อื่นใช้งานมันมาแล้ว
ถ้างานคือการตัดสินใจ — เกต การคัดกรอง หรือเกณฑ์ขั้นต่ำบนการจำแนกประเภทแบบตายตัว ที่ตัวเลขมีประโยชน์กว่าประโยคเดียว — ดีไซน์ของ SingVL_S1_4B ก็เหมาะกว่า และเอาต์พุตของมันตัดขั้นตอนการแยกวิเคราะห์ปลายน้ำออกไปได้ทั้งชั้น แต่คำว่า "เหมาะกว่า" เป็นข้อความเกี่ยวกับสถาปัตยกรรมในวันที่สองของการเปิดตัวที่ยังไม่มีไลเซนส์ และควรอ่านเป็นเหตุผลที่ควรจับตามากกว่าเหตุผลที่ควรลงมือสร้าง
ทีมที่ต้องการทดสอบรูปแบบการตัดสินใจตอนนี้ แทนที่จะรอให้ inclusionAI จัดการเอกสารให้เสร็จ ก็สามารถเรียกใช้งานได้วันนี้เลย: OrcaRouter ให้บริการ TypeSafe Jev 1.14 — typesafe/jev-1.14 ราคา $0.042 ต่อล้านโทเคนอินพุต — บนคีย์เดียวกับโมเดลอื่นอีกกว่า 200 รายการ ในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นการเปลี่ยนแปลงราคาจากผู้จำหน่ายรายใดก็ตามจะมีผลในวันเดียวกัน Sing VL S1 ไม่ได้อยู่บน OrcaRouter และไม่มีโฮสต์ที่ใดเลย ดังนั้นนี่จึงไม่ใช่การอ้างถึงความพร้อมใช้งาน แต่เป็นวิธีที่ถูกกว่าในการค้นหาว่าเอาต์พุตความน่าจะเป็นดีกว่าการใช้บ็อกซ์บนข้อมูลของคุณเองหรือไม่ หากดีกว่า ก็กลับมาดูเช็กพอยต์อีกครั้งเมื่อมีข้อกำหนดแล้ว หากไม่ดีกว่า คุณก็ประหยัด GPU ไปหนึ่งตัวและการตรวจสอบทางกฎหมายอีกหนึ่งครั้ง
ทั้งสองโมเดลจะยังถูกพูดถึงควบคู่กันไป เพราะทั้งคู่หลีกเลี่ยงอินเทอร์เฟซแชต นั่นเป็นเพียงความคล้ายกันผิวเผิน แต่แท้จริงแล้ว ตัวหนึ่งเป็นตัวระบุตำแหน่ง และอีกตัวเป็นตัวให้คะแนน และไปป์ไลน์ที่คุณกำลังสร้างอยู่ก็รู้อยู่แล้วว่าต้องการตัวไหน
