WeVisOne-VL-4B 对比 Moondream 3：一个没有 API，另一个正在失去自我

2026年11月13日，Moondream Cloud 将停止响应。那个曾让 Moondream 3 只需一行代码即可集成的托管 API 将关闭，已购买的额度会被退还，Lens 微调产品也将随之终止。距离那个日期还有三周。相比之下，WeVisOne-VL-4B 从未拥有过会失去的 API——腾讯于2026年10月22日发布了权重，没有端点、没有定价，也没有公告。因此，在这次比较中，实际问题不再是“哪个小型视觉模型更好”，而是“我想自己运行哪一套权重”，因为截至今天，两个模型都成了自托管决策，而其中一个刚刚是被动地变成了这样。

这两者确实是不同的机器，而这种差异解释了为什么其中一个拥有云业务，而另一个没有。

Moondream 3 怎么了？

这条时间线值得梳理清楚，因为它很容易被忽略，而且会改变判断。Moondream 3 Preview 于 2025 年 9 月 18 日发布，是一个拥有 90 亿参数的混合专家模型，其中活跃参数为 20 亿。Moondream 3.1 随后于 2026 年 7 月 7 日推出。2026 年 10 月 13 日，Prime Intellect 宣布已收购 Moondream——包括创始团队和 Photon 推理引擎——Moondream 自己的帖子则在一天后发布。一个月后，云服务关停。

这些都不会移除模型权重。它们仍以 Business Source License 1.1 及 Additional Use Grant 的形式留在 Hugging Face 上，Photon 也仍可免费在较新的 Nvidia GPU 和 Apple Silicon 上运行，提供兼容的本地 API，并且基础模型无需密钥。消失的是托管路径——正是它让团队无需拥有 GPU 就能在一个下午内评估 Moondream 3。

两种架构，两种存在的理由

Moondream 3 是一个稀疏模型：总参数为 9B，每个 token 激活 2B，拥有 64 个专家、其中 8 个被激活，由 2B 稠密版 Moondream 2 通过 upcycling 初始化而来。它支持 32K 上下文，配备带多裁剪通道拼接的 SigLIP 视觉编码器，以及公司称可将生成速度提升 20–40% 的 SuperBPE 分词器。其设计目标是以更接近 2B 模型的成本实现接近前沿的视觉推理——为 2B 的激活量付费，获得 9B 模型的部分行为表现。

WeVisOne-VL-4B 是稠密且目标专一的：一个 4.83B 的 Qwen3-VL 主干，坐标 token 从 <0> 到 <1000> 用于框和点，外加一个 9.6M 参数的解码器，它依托一个特殊的 <OBJ> token，把预测出的框转成掩码，再变成全分辨率的 alpha 遮罩。Moondream 把容量分散到众多视觉任务上，而 WeVisOne 则专注于定位的最后一公里——包括几乎没人交付的那部分：软边缘透明度。

• 总参数量 — WeVisOne-VL-4B 4.83B 稠密 vs Moondream 3 总 9B，激活 2B

• 权重占用 — 4B 版本在 F32 下约为 19 GB，而 Moondream 3 在 FP16 下约为 18 GB，社区 INT4 量化版本约为 6 GB

• 上下文 — 未发布版本 vs 32,768 个 token

• 像素输出——步长为 1 的实例掩码与连续 Alpha 蒙版，对比分割掩码

• 许可证 — 腾讯编写的代码采用 Apache 2.0，而 Business Source License 1.1 附带附加使用授权

• 托管 API — 永不关闭 vs 于 2026 年 11 月 13 日关闭

• 推理引擎——原生 vLLM、SGLang 或项目包，对比专门构建的 Photon

基准测试数值并不是同一类数值

Moondream 的模型页面列出 COCO mAP 为 51.2。WeVisOne 的 README 列出 COCO F1 均值为 57.1，其中 IoU 0.5 下的 F1 为 74.0。这些数字不能相互相减。平均精度均值与固定 IoU 阈值下的 F1 奖励的是不同行为：mAP 会惩罚那些能找出物体但排序很差的模型，而 IoU 0.5 下的 F1 对宽松的边界框比较宽容。任何告诉你 WeVisOne 在 COCO 上比 Moondream 3 高六分的人，都是在比较两场不同的考试。

分割相关的行更接近可比，也更有意思。Moondream 报告 RefCOCO val 分割为 83.2 mIoU；WeVisOne 报告 RefCOCO val 为 81.4 cIoU。两者都是在同一数据集划分上针对指代表达计算交并比，但 mIoU 和 cIoU 在图像间的聚合方式不同，因此 1.8 个百分点的差距完全在指标选择带来的噪声范围内。可以将它们视为大致持平。

两张表真正的分歧在于它们究竟选择报告什么。Moondream 公布了 ScreenSpot 80.4、OCRBench 61.2、TextVQA 76.3、POPE 89.0，以及 CountBenchQA 在九十几低段（具体取决于你读的是它自己的哪个页面）——发布文章和模型页面在若干行上彼此不一致，在引用其中任一来源之前，这一点值得了解。WeVisOne 公布了拒绝率（WeRef-Bench 上为 96.4%）、在 Dense200 和 VisDrone 上的密集检测，以及在 P3M-500-NP 和 AM-2K 上的抠图误差。两个模型的作者都没有评估对方。

授权将比基准决定更多交易

WeVisOne-VL-4B 对腾讯编写的代码采用 Apache 2.0 许可。Moondream 3 则采用 Business Source License 1.1 并附带附加使用授权（Additional Use Grant），该授权允许个人使用、研究用途以及大多数商业用途，但若要由第三方托管或重新托管该模型，则需与 M87 Labs 达成协议。如果你是在构建内部工具，两者都没问题。如果你要构建的产品，其价值就在于把该模型提供给其他人使用，那么其中只有一个能顺理成章地做到。

此次收购带来了一项与许可证文本毫无关系的次生风险：治理责任。如果一款模型的商业母公司刚刚易主，且其托管产品即将关停，那么这款模型的路线图就无从判断。这并不是回避它的理由——权重是下载而来的，而非租用的——但这是本季度应当测试它、而不是将其标准化采用的理由。

抠图能力究竟价值几何

Moondream 3 会为“那个人”返回一个分割掩码。WeVisOne-VL-4B 会返回一个掩码和一个 alpha 遮罩，在头发、毛发和柔和边缘处带有部分透明度，并在 stride 1 下进行细化。对于合成流程而言，这正是带有生硬光晕的抠图与无需额外清理即可直接放到新背景上的抠图之间的差别。

腾讯为其给出的数字引人注目但未经核实：在 P3M-500-NP 上平均绝对差值为 7.3，而作者列出的最强基线为 15.4；在 WeRefMat 的指称表达抠图上为 9.8，而对比值为 22.4。这些数字来自论文，由模型作者生成，且尚未被复现。它们也是该方法有效的唯一公开证据，因为尚无独立实验室运行过它。

端点消失时操作模型

Moondream 的关停是一个很好的提醒：托管端点是一种依赖，而它的生命周期由别人掌控。Moondream 3 和 WeVisOne-VL-4B 如今都不在 OrcaRouter 的目录中，所以这并不是在推销一条已经存在的路由——而这恰恰正是路由层之所以存在的理由。

当提供商下架某个模型时，停机事故与配置变更之间的区别，在于你的应用程序使用的是模型名称还是端点 URL。OrcaRouter 用一个密钥承载 200 多个模型，且相对提供商目录价加价 0%，自动故障转移会把请求转到健康的提供商，而不是返回错误。对于构建在可能被收购的模型之上的流水线来说，这层抽象是你无法在三周内补上的部分。

建议，三周后

如果你通过托管 API 运行 Moondream 3 Preview 或 3.1，那么现在就必须做决定，而且这与质量无关：在11月13日之前，改用 Photon 自托管，或选择其他模型。不要等待替代服务出现。

如果你要选择新模型，而你的工作最终产出的是 masks 或 mattes，那么 WeVisOne-VL-4B 是更有意思的押注，也是更缺乏验证的那个——Apache 2.0、真正的架构理念，以及仅两天的公开历史。如果你需要一个具备成熟推理引擎、且在众多任务上有过往记录的广泛视觉推理器，那么无论是否涉及收购，Moondream 3 仍是更稳妥的自托管模型。

而如果你真正需要的既不是这个也不是那个，而是一个由你无需自行运维的 API 提供的通用视觉模型，那就是另一个问题，答案也短得多。这两个模型都不是。