SingVL_S1_4B 對比 Moondream 3：座標還是機率

這兩個模型都承諾提供結構而非散文，而相似之處也僅止於此。 Moondream 3以座標作答：請它在照片中找出人物，它會回傳帶有標籤的框；問它把手在哪裡，它會回傳點；請它產生說明文字，它會回傳一句話。 SingVL_S1_4B以機率作答：給它選項，它會為每個選項回傳一個數字；給它一個陳述，它會回傳該陳述為真的機率。一個告訴你某物在哪裡，另一個告訴你它有多確定。在兩者之間做選擇，關鍵在於你的管線從一開始就註定需要這兩種答案中的哪一種，而兩者鮮少能互相替代。

「結構化輸出」的兩種形態

Moondream 3 是混合專家視覺模型——總參數 9B、啟用參數 2B——供應商 Moondream 將其描述為以適合部署的成本打造，用於視覺推理與偵測。四項技能是原生而非提示而來：query 用於視覺問答，detect 用於開放詞彙框選，point 用於中心點，caption 用於圖說。這四項都回傳結構化輸出，而非對話式文字；權重可免費下載，並透過供應商自家的推論引擎 Photon，在 Ampere 及之後的 NVIDIA GPU 或 Apple 晶片上本機執行。該模型於 2025 年 9 月以預覽版亮相，並於 2026 年 7 月被 Moondream 3.1 取代，后者是同一架構的當前世代。

SingVL_S1_4B 是一個決策模型，由 inclusionAI 於 2026 年 11 月 11 日上傳，且未發布任何公告。它接收一個狀態——文字、JSON 或最多四張影像——以及一個具名問題的字典，每個問題都宣告一種類型及其候選答案。Choice 會回傳每個選項的機率，noul 會回傳某個是/否命題成立的機率，score 會回傳在二到十個有序等級中每個等級的機率，外加一個期望等級。每個請求進行一次前向傳遞，不生成 token，也不產生任何形式的自由格式輸出。

具體來說：給 Moondream 3 一張倉庫照片和「pallet」這個詞，它會回傳一些框。給 SingVL_S1_4B 同一張照片，加上問題「這個貨架是否可安全出貨」以及候選答案「是」和「否」，它會回傳 0.91 和 0.09。兩者都是結構化輸出。兩者都無法產生對方的輸出。

9B 模型真正的用途是什麼

Moondream 自家的發布資料對基準測試的極限異常坦率，卻仍照樣公布一組密集的數據。在 [email protected] 的偵測表現上，真正關鍵的數字是 COCO 的 81.46、ODinW-13 的 93.94、Dense200 的 74.61，以及 SKU-110K 的 52.77——後兩者是擁擠場景資料集，通用視覺模型通常會在這種場景下崩潰。指涉偵測在 RefCOCO-M 上達到 87.1。相較之下，LVIS 的 67.4 與 HumanRef 的 70.39 則是它輸給競爭對手的那幾列，而廠商選擇如實列出而非隱藏。

這樣的特性——在密集與開放詞彙偵測上很強，在細粒度指稱上較弱，而後者是專家模型勝出的領域——正是 2B 活躍參數 MoE 所換來的。模型之所以快，是因為每個 token 並不會用到它的大部分參數；它之所以在計數與定位上準確，是因為這些能力是作為一等技能訓練出來的，而非從圖像描述生成中湧現。

這種商業模式值得注意，因為它與研究型發布恰好相反。權重依 Moondream Model License 免費提供，在本機執行不需要 API key，而託管服務則按 token 計價：即時處理每百萬輸入 token 為 0.30 美元、每百萬輸出 token 為 1.00 美元，批次處理則減半為 0.15 美元與 0.50 美元。另有免費方案、playground、有文件說明的本機執行方式，以及可閱讀的授權條款全文。這次發布沒有任何含糊之處。

4.5B 模型究竟是做什麼用的

SingVL_S1_4B 的模型卡公布了「Public Decision Index 0.3」表格：Text 面板為 69.76，Vision 為 73.94；相較之下，TypeSafe Jev 1.14 為文字 60.70，StartLux-Decision v1.1 4B 為 67.8 與 67.90，而 Perplexity Decider Flash v1.2 為 60.1 與 72.5。各資料集列顯示彙總值的來源——InfographicVQA 96.31、Winoground 93.12、關鍵資訊擷取 95.82 位居前列；MMMU-Pro vision 50.17、R-Bench-M 49.77 與仇恨迷因審核 71.64 則墊底。

那些是廠商自己在某個排行榜上的數據，而該排行榜的作者曾協助將其正式化；這些數據是透過對提供的選項評分、而非生成答案所產生，且沒有人重現過它們。撰寫本文時，該儲存庫才成立兩天，下載次數為零，未附授權條款檔案，也沒有任何論文存在。Decision Index 的公開重現套件顯示，沒有來自此模型的提交。

因此，可用的主張是狹窄且結構性的，而非數值性的：單次前向傳遞會為每個候選項回傳一個校準後的機率，這與回傳座標或文字的模型是截然不同的基本原語。當下游決策是一個閾值時——也就是當有人已經決定高於 0.8 就採取行動、低於 0.3 就上報——這正是你要的基本原語。但當下游步驟需要知道哪裡。

重疊程度比共用的資料集名稱所暗示的還要小。

兩張卡都涉及視覺定位，而很容易把數字並排列出就宣布贏家。別這麼做。三處不匹配讓這毫無意義。

• 任務型態 — Moondream 的偵測分數來自輸出框，並在 IoU 閾值下將其與 ground truth 配對。SingVL_S1_4B 的視覺分數來自從他人撰寫的選項中做選擇。一個能正確排序候選項的模型，並不因此就是能進行定位的模型。

• {{1}}評估框架{{/1}}——Moondream 在其自身評估設定下，於具名偵測集上回報 {{2}}[email protected]{{/2}}。SingVL_S1_4B 在 Decision Index 的{{4}}經隨機校正、覆蓋率調整{{/4}}套件中回報{{3}}準確率{{/3}}。同一個詞，不同的量測方式。

• 作者身分——這兩組資料皆由廠商自行報告。Moondream 的那組已接受超過一年的第三方審查與社群移植；SingVL_S1_4B 的那組則完全沒有。其中有一個數字曾在公開場合引發爭論。

這兩個模型真正可以比較的地方，在於一項兩者都能表達的任務：這張影像是否包含違規，以及屬於哪個類別。Moondream 會以偵測結果或查詢回應來回答；SingVL_S1_4B 則以選項分布來回答。這是一個確實應該有人去做的實驗，而目前還沒有人做過。

一個具體的成形範例，因為 API 說明了產品。

最清楚看出差異的方法，是把每個模型針對同一項工作會收到的請求寫出來——在配送照片送交理賠員之前，先對這些照片進行初步分流。

{{1}}使用 Moondream 3 時，呼叫方式是 detect(image, "damaged parcel")，回應會是一份包含物件、邊界框與信心分數的清單；若沒有任何符合項目，則會是空清單。{{/1}} 你能得知是否偵測到損壞，以及損壞位置。{{2}}接著，caption(image) 會給你一句描述場景的句子。兩次呼叫、兩種結構，兩者都與內容有關。{{/2}}

使用 SingVL_S1_4B 時，呼叫會在請求中攜帶這些問題。一道選擇題詢問包裹是完好、損壞還是遺失，共有三個候選項。一道 noul 問題詢問標籤是否清晰可讀。一道評分題依四個有序等級評定影像品質。回應會為每個問題的每個候選項提供機率，並為評分提供預期等級。一次呼叫，三個答案，全都關於置信度。

Moondream 路線讓理賠系統有東西可以顯示；SingVL 路線則讓它有東西可以作為分支判斷的依據。打造前者的團隊會覺得後者毫無用處；打造後者的團隊則會發現，前者需要一個他們不想寫的解析器。這就是整個決策的全貌，而且在打開任何一方的基準測試之前就已經定案了。

執行它們也不具可比性。

Moondream 3.1 可透過 Photon 在工作站 GPU 或 Apple 筆記型電腦上執行，首次使用時會從 Hub 下載權重，且基礎模型不需要金鑰。另提供託管端點，具備公開的每 token 價格、免費方案與有文件說明的快速入門指南；廠商也發布了涵蓋支援硬體、串流、微調及透過 Triton 提供服務的本地推論指南。每一條路徑都有文件說明，每一項價格都公開。

SingVL_S1_4B 會在你提供的 GPU 上執行，來源是 9.1 GB 的 BF16 下載檔，透過 Python 3.12 環境與綁定到 8173 埠的 FastAPI 伺服器，並在 POST /v1/systemone 回應。這些指示很完整，curl 範例也能運作，這比大多數低調釋出的專案所能做到的還多。不存在的是任何託管選項、任何量化版本、任何框架整合，或任何允許你重新分發所下載內容的授權。

最後那項缺席帶有商業意味。Moondream 的授權是自訂授權——並非 OSI 意義上的開源——而且廠商明確表示，若要將權重託管為雲端服務，就必須取得其授權，這也是為什麼會有託管層級，而且是要收費的。SingVL_S1_4B 則完全沒有條款，這不等同於寬鬆授權：在沒有授予任何權利的情況下，inclusionAI 以外的任何人都無權將其用於商業用途，法務審查到這裡就會打住。

決策最終落定之處

如果任務是「找出東西」——清點庫存、定位元件、把版面讀成一个个框、指著把手——Moondream 3 是兩者之中唯一做得到的那個，而它在人群場景的數字，正是這類工作寧可選它、不選通用視覺模型的原因。它還有價目表、授權條款、本機執行路徑，以及一整年其他人實際使用它的紀錄。

如果任務是「做決定」——在固定分類體系上的一道關卡、一次分流、一個門檻，而在這種情境下一個數字比一句話更有用——那麼 SingVL_S1_4B 的設計就更合適，而且它的輸出能省掉整整一類下游解析工作。但「更合適」這個說法，是針對一個在發布第二天、還沒有授權條款的版本所做的架構判斷，應該被理解為值得觀察的理由，而不是值得著手建置的理由。

想現在就測試這種決策模式、而不是等 inclusionAI 完成文書作業的團隊，今天就能呼叫它：OrcaRouter 提供 TypeSafe Jev 1.14——typesafe/jev-1.14，每百萬輸入 token 0.042 美元——使用與200 多個其他模型相同的金鑰，以供應商定價、0% 加價提供，因此任何供應商的價格變動都會在同一天生效。Sing VL S1 不在 OrcaRouter 上，且在任何地方都沒有託管服務，所以這不是可用性聲明；這是更便宜的方式，用來確認機率輸出是否能在你自己的資料上勝過邊界框。如果勝過，等這個檢查點有條款時再回來看。如果沒有，你就省下了一張 GPU 和一次法律審查。

這兩個模型會持續被相提並論，因為兩者都避開聊天介面。那只是表面的相似。本質上，一個是定位器，一個是評分器，而你正在建構的管線已經知道自己需要其中哪一種。