WeVisOne-VL-2B กับ Moondream 3: ใบอนุญาตและเส้นตาย

เมื่อวันที่ 13 พฤศจิกายน 2026 เอนด์พอยต์โฮสต์ที่ให้บริการ Moondream 3 Preview จะหยุดตอบสนอง วันที่นั้น ไม่ใช่ผลเบนช์มาร์กใด ๆ คือสิ่งที่ทำให้การเปรียบเทียบนี้เร่งด่วน: ทีมที่สร้างบนคลาวด์ของ Moondream มีเวลาราวสามสัปดาห์นับจากประกาศปิดบริการในการตัดสินใจว่าจะใช้อะไรแทน และน้ำหนักโมเดลที่พวกเขาจะใช้เป็นทางถอยนั้นมีสัญญาอนุญาตที่คนส่วนใหญ่ไม่เคยอ่านอย่างละเอียด WeVisOne-VL-2B คือสิ่งที่ชัดเจนที่สุดที่จะวางเทียบข้าง ๆ — โมเดลการรับรู้ขนาด 2B จากทีม WeChat Vision ของ Tencent เผยแพร่เมื่อวันที่ 22 ตุลาคม 2026 ภายใต้ Apache 2.0 ทำงานแบบ grounded แบบเดียวกัน: กรอบ จุด จำนวน และมาสก์

สองโมเดลนี้เป็นคู่ที่ใกล้เคียงกันที่สุดในซีรีส์นี้ ทั้งคู่ถูกสร้างขึ้นโดยเน้นการชี้ไปที่สิ่งต่าง ๆ มากกว่าการบรรยายสิ่งเหล่านั้น ทั้งคู่ส่งออกมาสก์ ทั้งคู่ได้รับการฝึกให้พูดว่า “ไม่พบอยู่ตรงนั้น” เมื่อไม่มีเป้าหมาย และถึงกระนั้นแทบไม่มีอะไรที่ผู้จำหน่ายรายใดรายหนึ่งเผยแพร่ซึ่งสามารถนำไปหักลบจากอีกรายได้ เพราะพวกเขาวัดสิ่งที่แตกต่างกัน บนชุดเครื่องมือทดสอบที่แตกต่างกัน ในเวลาที่แตกต่างกัน สิ่งที่เปรียบเทียบได้คือสัญญาอนุญาต รูปแบบเอาต์พุต และเส้นทางการปรับใช้ และในสามสิ่งนั้น คำตอบไม่ได้ใกล้เคียงกันเลย

ทำไมสองคนนี้ถึงอยู่ในบทสนทนาเดียวกัน

Moondream 3 Preview ซึ่งเปิดตัวเมื่อวันที่ 18 กันยายน 2025 ได้แสดงให้เห็นว่าโมเดลขนาดเล็กสามารถทำการรับรู้ที่อิงกับโลกจริงได้โดยกำเนิด ทั้งการตรวจจับ การชี้ตำแหน่ง การนับ การแบ่งส่วน และการตอบคำถาม ทั้งหมดจากเช็กพอยต์เดียว โดยไม่ต้องประสานตัวตรวจจับแยกและโมเดลการให้เหตุผลแยกจากกัน โมเดลนี้เป็น sparse mixture of experts ที่มีพารามิเตอร์รวม 9 พันล้านตัวและมีพารามิเตอร์ที่ใช้งานจริง 2 พันล้านตัว ประกอบด้วย 24 เลเยอร์ โดยสี่เลเยอร์แรกเป็นแบบ dense ส่วนเลเยอร์ที่เหลือมี 64 experts และเปิดใช้งาน 8 experts ต่อโทเคน มีบริบท 32,768 โทเคน ใช้ tokenizer SuperBPE แบบกำหนดเอง และใช้ vision encoder ที่อิงกับ SigLIP

WeVisOne-VL-2B มาถึงในอีกหนึ่งปีต่อมา โดยเสนอข้อโต้แย้งเดิมในรูปแบบที่แคบลง เป็นโมเดล 2B พารามิเตอร์ที่สร้างบน Qwen3-VL และแบ่งงานออกเป็นสองส่วน: โมเดลภาษาส่งพิกัดผ่านโทเค็นเฉพาะ และตัวถอดรหัสแยกต่างหากที่มี 9.5 ล้านพารามิเตอร์จะเปลี่ยนแต่ละอินสแตนซ์ที่ถูกทำเครื่องหมายให้เป็นมาสก์หรืออัลฟาแมตต์แบบต่อเนื่อง Tencent ไม่ได้พยายามสร้างผู้ช่วยทั่วไป แต่พยายามสร้างเอนจินการรับรู้ และระบุเช่นนั้นไว้ในส่วนข้อจำกัด

ความคล้ายคลึงกันแบบตระกูลเดียวกันนั้นมีอยู่จริง ซึ่งเป็นเหตุผลว่าทำไมความแตกต่างจึงสำคัญกว่าที่จะเป็นเช่นนั้นระหว่างโมเดลที่ไม่เกี่ยวข้องกัน

แผนที่ขีดความสามารถ เทียบเคียงกัน

• พารามิเตอร์ — 9B ทั้งหมด โดยมี 2B ที่ใช้งานอยู่สำหรับ Moondream 3 Preview เทียบกับประมาณ 2B แบบ dense สำหรับ WeVisOne-VL-2B พร้อมตัวถอดรหัส 9.5M พารามิเตอร์ที่จำเป็น

• เอาต์พุตมาสก์ — สตริงพาธ SVG พร้อม bounding box บน Moondream ซึ่งเอกสารของระบุว่าเป็นมาสก์เวกเตอร์แบบเนทีฟ; อัลฟาแมตต์แบบแรสเตอร์ที่ความละเอียดเต็มระดับ stride-1 บน WeVisOne รวมถึงความโปร่งใสแบบนุ่มนวลสำหรับเส้นผมและขน

• การให้เหตุผล — Moondream 3 มีโหมด chain-of-thought แบบเลือกเปิดใช้ได้ และให้เหตุผลเกี่ยวกับภาพโดยการชี้เข้าไปในภาพ ส่วน WeVisOne สร้างเอาต์พุตแบบมีโครงสร้างโดยไม่มี chain-of-thought เลย ซึ่งเป็นทางเลือกที่ Tencent ตัดสินใจทำเพื่อประสิทธิภาพในการอนุมาน

• บริบท — 32,768 โทเค็นที่ประกาศบนการ์ด Moondream เทียบกับ WeVisOne ที่ไม่มีการเผยแพร่ความยาวคอนเท็กซ์ ซึ่งเปเปอร์ระบุว่าฝึกที่ 4,096 และ 8,192 โทเค็น และอนุมานที่สูงสุด 1,960 โทเค็นภาพต่อภาพ

• อินพุต — ทั้งสองรองรับรูปภาพ แต่ Moondream มี cloud API ที่มีเอกสารกำกับพร้อมการสตรีมผลลัพธ์แบบบางส่วน ส่วน WeVisOne จะปฏิเสธกริดวิดีโอในตัวถอดรหัสพิกเซล และถูกออกแบบให้เป็นแบบเทิร์นเดียว

• ใบอนุญาต — Business Source License 1.1 พร้อม Additional Use Grant สำหรับ Moondream และ Apache 2.0 สำหรับ WeVisOne

• เปิดตัว — 18 กันยายน 2025 เทียบกับ 22 ตุลาคม 2026 ห่างกันสิบสามเดือน

• การโฮสต์ — Moondream Cloud จนถึงวันที่ 13 พฤศจิกายน 2026 จากนั้นจะเป็นแบบโฮสต์เองเท่านั้น; ไม่มีเอ็นด์พอยต์แบบโฮสต์สำหรับ WeVisOne จาก Tencent หรือจากผู้ให้บริการรายใดที่เราสามารถตรวจสอบได้

ตัวเลขพร้อมเครื่องมือที่แนบมาด้วย

นี่คือจุดที่การเปรียบเทียบกลายเป็นการฝึกอ่านหมายเหตุใต้ตาราง ตัวเลขทุกตัวด้านล่างเป็นข้อมูลที่ผู้ขายรายงานเอง ทั้งสองโมเดลยังไม่มีการประเมินที่เป็นอิสระบน Artificial Analysis หรือที่อื่นใดที่เราหาเจอ

• RefCOCO — แผนภูมิเปิดตัวของ Moondream ระบุ 91.1 พร้อมกับ 88.6 ใน RefCOCOg และ 81.8 ใน RefCOCO+ ตัวเลขเหล่านี้เป็นค่าความแม่นยำแบบงานตรวจจับ และ Moondream เองก็อธิบายว่าแผนภูมินี้ไม่ใช่การเปรียบเทียบที่ยุติธรรม: โมเดลพื้นฐานระดับแนวหน้าถูกสอบถามผ่านเทมเพลตเนื่องจากไม่มี grounding แบบเนทีฟ และคะแนนพรีวิวหลายค่ามาจากตัวอย่างคำถาม 100 ข้อ แทนที่จะเป็นชุดประเมินเต็ม

• RefCOCO บน WeVisOne — Tencent ไม่เผยแพร่ตัวเลขการตรวจจับ RefCOCO ตารางการตรวจจับแบบ referring ของ Tencent รายงาน RefCOCOg ที่ mean F1 77.1 สำหรับรุ่น 2B และตารางการแบ่งส่วนรายงาน RefCOCO validation ที่ 79.7 cIoU งานต่างกัน สถิติต่างกัน ชุดแบ่งต่างกัน

• การแบ่งส่วนภาพ — รายงานอัปเดตการแบ่งส่วนภาพของ Moondream ประจำเดือนมีนาคม 2026 ระบุค่า mIoU ที่ 83.2 บนชุดตรวจสอบ RefCOCO, 79.1 บน RefCOCO+ และ 80.7 บน RefCOCOg โดยมีค่าอีกชุดแยกต่างหากที่ 88.2 บน RefCOCO-M ซึ่งเป็นชุดความละเอียดสูง ขณะที่ WeVisOne รายงานค่า 79.7, 73.1 และ 74.4 บนสามชุดแบ่งเดียวกัน — แต่เป็นค่า cIoU ซึ่งเป็นสิ่งที่บทความระบุไว้อย่างชัดเจน ค่า Mean IoU และ cumulative IoU ถ่วงน้ำหนักภาพแตกต่างกัน ช่องว่างตรงนี้จึงเป็นเพียงข้อสังเกตเชิงบอกนัยมากกว่าค่าที่วัดได้จริง

• การนับ — Moondream รายงาน CountBenchQA ที่ 93.2 WeVisOne รายงาน CountQA ที่ 47.9 แบบ exact-match, PixMo-Count ที่ 90.9 และ 88.1 และ CLOC ที่ 27.5 และ 26.9 CountBenchQA กับ CountQA ไม่ใช่ชุดข้อมูลเดียวกัน และ exact-match บนชุดข้อมูลการนับนั้นไม่ผ่อนปรนในแบบที่ความแม่นยำบนชุดข้อมูลแบบเลือกตอบไม่ได้เป็นเช่นนั้น ช่วงกระจายภายในแถวการนับของ WeVisOne เอง — 90.9 บนชุดข้อมูลหนึ่ง และ 27.5 บนอีกชุดข้อมูลหนึ่ง — เป็นคำเตือนเกี่ยวกับเบนช์มาร์กการนับได้ดีกว่าการเปรียบเทียบข้ามผู้จำหน่ายใด ๆ

• การตรวจจับ — Moondream ระบุ COCO detection ไว้ที่ 51.2 ส่วน WeVisOne ระบุ COCO mean F1 ไว้ที่ 55.2 ครอบคลุมเกณฑ์ IoU ต่างๆ โดยไม่มีฝ่ายใดระบุว่าค่าเหล่านี้เป็นสถิติเดียวกันหรือไม่ ซึ่งนั่นคือปัญหาพอดี

สิ่งที่ปรากฏออกมาไม่ใช่ผู้ชนะ แต่เป็นสองโมเดลที่ต่างอ้างว่ามีการรับรู้ที่ยึดโยงกับหลักฐานเชิงประจักษ์ได้ดี โดยวัดด้วยเครื่องมือที่ไม่เคยถูกปรับเทียบเข้าหากัน โดยหนึ่งในนั้นถูกเผยแพร่บนแผนภูมิที่ผู้เขียนของแผนภูมินั้นเองอธิบายว่าไม่ยุติธรรม

ใบอนุญาตคือทางแยกที่แท้จริง

น้ำหนักของ Moondream 3 Preview เปิดเผยภายใต้ Business Source License 1.1 พร้อม Additional Use Grant ซึ่งมีชื่อย่อว่า "No Third-Party Service" การอนุญาตนี้ครอบคลุมโครงการส่วนตัว การวิจัย การทดสอบประสิทธิภาพ (benchmarks) การปรับแต่ง (fine-tunes) การรวมโมเดล (merges) การควอนไทซ์ (quantizations) และ weight deltas สิ่งที่ไม่ครอบคลุมคือการตั้งบริการที่ให้บุคคลภายนอกใช้โมเดลได้ — ซึ่งเป็นสิ่งที่บริษัทส่วนใหญ่ต้องการสร้างจริง ๆ

นั่นเป็นข้อจำกัดที่มีนัยสำคัญ และเป็นจุดเดียวที่การเปรียบเทียบมีคำตอบที่ชัดเจน การ์ดของ WeVisOne-VL-2B ให้สิทธิ์ภายใต้ Apache 2.0 สำหรับโค้ดที่ Tencent เป็นผู้เขียน โดยคอมโพเนนต์ของบุคคลที่สามยังคงใช้ข้อกำหนดของตนเอง ไม่มีเกณฑ์รายได้ ไม่มีข้อยกเว้นเฉพาะขอบเขตการใช้งาน และไม่ต้องปรึกษาทนายความว่าผลิตภัณฑ์ของคุณนับเป็นบริการของบุคคลที่สามหรือไม่

หากคุณกำลังเลือกระหว่างสองตัวเลือกนี้เพื่อสร้างสิ่งเชิงพาณิชย์ สัญญาอนุญาตมีผลต่อผลลัพธ์มากกว่าการทดสอบประสิทธิภาพใด ๆ ในหัวข้อก่อนหน้า โมเดลที่คุณไม่สามารถให้บริการได้อย่างถูกกฎหมายไม่ใช่ตัวเลือกที่ถูกกว่า แต่เป็นผลิตภัณฑ์ที่แตกต่างออกไป

หากคุณกำลังใช้งาน Moondream Cloud อยู่ในขณะนี้

ประกาศการปิดให้บริการถูกเผยแพร่พร้อมกับเหตุผลของมัน Moondream และ Moondream 3.1 ผู้สืบทอด ตอนนี้เป็นส่วนหนึ่งของ Prime Intellect ซึ่งประกาศการเข้าซื้อกิจการเมื่อวันที่ 13 ตุลาคม 2026 โดยมีผู้ก่อตั้ง Vik Korrapati และ Jay Allen เข้าร่วมเพื่อนำงานด้าน inference โพสต์ของ Moondream เองลงวันที่ 14 ตุลาคม ประกาศดังกล่าวมีเพียงบรรทัดเดียว: ในวันที่ 13 พฤศจิกายน 2026 ซึ่งเป็นกำหนดล่วงหน้าสามสิบวัน Moondream Cloud จะปิดให้บริการ โดยเครดิตที่ซื้อไว้และยังไม่ได้ใช้จะได้รับการคืนเงิน

สองเรื่องนี้ควรแยกออกจากกัน โมเดลไม่ได้ถูกถอดออก — น้ำหนักโมเดลยังอยู่ที่เดิมและสัญญาอนุญาตก็ไม่เปลี่ยนแปลง สิ่งที่กำลังจะสิ้นสุดคือช่องทางแบบโฮสต์ ซึ่งเป็นช่องทางที่ทีมส่วนใหญ่เรียกใช้งานจริง ๆ Photon เอนจินสำหรับการประมวลผล (inference) ของ Moondream เป็นส่วนหนึ่งของสิ่งที่ Prime Intellect เข้าซื้อไป และจุดขายของมันคือ throughput: 34 คำขอต่อวินาทีสำหรับ Moondream 3.1 และมากกว่า 60 การประมวลผลต่อวินาทีบน H100 เพียงตัวเดียว เหล่านี้เป็นตัวเลขของ Prime และตอนนี้ Prime คือฝ่ายที่นำมันออกมาขาย

สำหรับใครก็ตามที่กำลังย้ายระบบ ตัวเลือกที่ตรงไปตรงมามีสามทาง คือ โฮสต์น้ำหนัก Moondream ที่คุณมีอยู่แล้วด้วยตนเองและยอมรับข้อกำหนดของ BSL ย้ายไปยังโมเดลแบบโฮสต์ที่ยังอยู่ต่อไป โดยยอมรับว่าโมเดลส่วนใหญ่เหล่านั้นไม่ส่งออกมาสก์ หรือย้ายไปยังโมเดลน้ำหนักเปิดภายใต้ Apache-2.0 และเป็นเจ้าของการติดตั้งใช้งานเอง — ซึ่งเป็นจุดที่ WeVisOne-VL-2B เข้ามา พร้อมข้อควรระวังว่ามันไม่ใช่ตัวแทนที่ใช้แทนกันได้ทันที และหลักฐานของมันยังมีน้อยกว่า

มันไม่ใช่การแทนที่ได้ทันที (drop-in) ด้วยเหตุผลชัดเจนสามข้อ รูปแบบเอาต์พุตแตกต่างกัน: พาธ SVG เทียบกับอัลฟาแมตต์แบบราสเตอร์ ซึ่งเปลี่ยนโค้ดคอมโพสิต downstream ของคุณ ไม่มีโหมด chain-of-thought ดังนั้นไปป์ไลน์ใดที่พึ่งพา grounded reasoning traces ของ Moondream จะสูญเสียสิ่งเหล่านั้นไป และไม่มีความยาวบริบทที่เผยแพร่ ดังนั้นเวิร์กโฟลว์ที่ป้อนพรอมป์ต์หลายภาพแบบยาวให้ Moondream จึงไม่มีเพดานที่ระบุไว้เพื่อใช้ออกแบบ

นี่คือจุดที่ชั้นการกำหนดเส้นทาง (routing layer) พิสูจน์คุณค่าของตัวเอง และควรพูดให้ชัดเจนว่ามันทำอะไรได้และทำอะไรไม่ได้ OrcaRouter ไม่ได้ให้บริการ Moondream 3 หรือ WeVisOne-VL-2B ทั้งสองรุ่นไม่ได้อยู่ในแคตตาล็อกของเรา และเราจะไม่แสร้งว่าการย้ายระบบเป็นเพียงการเปลี่ยน URL สิ่งที่เราทำได้คือทำให้ฝั่งที่โฮสต์ของสแตกของคุณพกพาได้: คีย์ API เดียวใช้ได้กับโมเดลกว่า 200 รุ่น ในราคาตามที่ผู้ให้บริการกำหนดโดยไม่บวกราคาเพิ่ม การสลับไปใช้ระบบสำรองโดยอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง และ routing DSL ที่ช่วยให้คุณย้ายทราฟฟิกระหว่างโมเดลที่โฮสต์ไว้ได้โดยไม่ต้องแตะโค้ดแอปพลิเคชัน หากบทเรียนของวันที่ 13 พฤศจิกายนคือการพึ่งพาบริการโฮสต์เพียงรายเดียวเท่ากับจุดล้มเหลวจุดเดียว สิ่งที่ต้องแก้คือชั้นนามธรรม (abstraction layer) ไม่ใช่การไปพึ่งพาบริการรายเดียวรายอื่น

สิ่งที่ต้องตัดสินใจก่อนวันที่ 13 พฤศจิกายน

หากคุณใช้งาน Moondream 3 Preview ผ่าน cloud API และไม่มีอย่างอื่น การตัดสินใจจริง ๆ ไม่ใช่ Moondream กับ WeVisOne แต่คือคุณต้องการเป็นเจ้าของ inference เองหรือไม่ต่างหาก การ self-host Moondream ช่วยรักษาพฤติกรรมที่คุณปรับแต่งมาแล้วให้ยังเหมือนเดิม ภายใต้สัญญาอนุญาตที่อนุญาตให้ใช้ภายในและเพื่อการวิจัย แต่ไม่อนุญาตให้ขายต่อในฐานะบริการ การ self-host WeVisOne ให้เงื่อนไขที่ชัดเจนกว่าและ alpha matte แบบนุ่ม แต่แลกมากับโมเดลที่ยังไม่มีคนอิสระทดสอบ และ decoder ที่ทำงานได้กับภาพเดี่ยวเท่านั้น

หากคุณเริ่มต้นใหม่ทั้งหมด — ไม่มีไปป์ไลน์เดิม ไม่มีพรอมต์ที่ปรับแต่งแล้ว ไม่มีการผูกระบบที่ลงทุนไปแล้ว — การคำนวณก็ง่ายขึ้น WeVisOne-VL-2B เป็น Apache 2.0 และมีขนาด 2B ส่วน Moondream 3 Preview เป็น source-available และมีขนาด 9B โดยมี 2B ที่ aktif และเกณฑ์มาตรฐานเดียวที่ทั้งสองเผยแพร่ในรูปแบบที่ชวนให้เปรียบเทียบกันคือ segmentation ซึ่งนิยามของตัวชี้วัดกลับแตกต่างกันอย่างเงียบ ๆ เลือกจากสัญญาอนุญาตและรูปแบบเอาต์พุต แล้ววัดผลกับภาพของคุณเอง เพราะผู้จำหน่ายทั้งสองรายไม่ได้ให้ตัวเลขใดที่คุณไว้วางใจได้เมื่อเทียบข้ามช่องว่างนี้