WeVisOne-VL-4B 對比 Moondream 3：一個沒有 API，另一個正在失去自我

2026年11月13日，Moondream Cloud 將停止回應。讓 Moondream 3 能以一行程式碼完成整合的託管 API 將關閉，已購買的點數將退還，Lens 微調產品也將一併終止。距離那個日期還有三週。相較之下，WeVisOne-VL-4B 從來沒有可失去的 API——Tencent 於 2026年10月22日發布權重，沒有端點、沒有定價，也沒有公告。因此，這項比較中的實際問題不再是「哪個小型視覺模型更好」，而是「我想自己運行哪一組權重」，因為截至今天，兩個模型都是自我託管的決定，而其中一個更是不由自主地剛變成如此。

這兩者確實是不同的機器，而這個差異說明了為什麼其中一方有雲端業務，另一方卻沒有。

Moondream 3 發生了什麼事？

值得把時間線梳理清楚，因為它很容易被忽略，而且會改變整體盤算。Moondream 3 Preview 於 2025 年 9 月 18 日推出，是擁有 9B 參數、其中 2B 為活躍參數的混合專家模型。Moondream 3.1 接著於 2026 年 7 月 7 日推出。2026 年 10 月 13 日，Prime Intellect 宣布已收購 Moondream，包含創始團隊與 Photon 推論引擎；Moondream 自家的貼文則在一天後發布。一個月後，雲端服務關閉。

這些都不會移除模型權重。它們仍會以 Business Source License 1.1 搭配 Additional Use Grant 的形式留在 Hugging Face 上，而 Photon 仍可自由在較新的 Nvidia GPU 與 Apple Silicon 上執行，並提供相容的本地 API，且基礎模型不需要金鑰。消失的是託管路徑——也就是讓團隊不必擁有 GPU，就能在一個下午內評估 Moondream 3 的途徑。

兩種架構，兩種存在的理由

Moondream 3 是稀疏模型：總參數 9B，每個 token 啟用 2B，共有 64 個專家、其中 8 個會啟用，並透過 upcycling 從 2B 稠密版 Moondream 2 初始化而來。它具備 32K 上下文、帶有多裁切通道串接的 SigLIP 視覺編碼器，以及公司稱可讓生成速度提升 20–40% 的 SuperBPE 分詞器。設計目標是以更接近 2B 模型的成本，達到接近前沿的視覺推理——付出 2B 啟用參數的成本，換取部分 9B 模型的行為。

WeVisOne-VL-4B 稠密且專注單一目標：4.83B 的 Qwen3-VL 主幹、用於框與點的座標 token 從 <0> 到 <1000>，以及一個以特殊 <OBJ> token 為觸發的 9.6M 參數解碼器，能將預測框轉成遮罩，再轉成全解析度 alpha matte。Moondream 將容量分散到許多視覺任務上，WeVisOne 則專注於定位的最後一哩路——包括幾乎沒有人實際交付的部分：柔邊透明度。

• 總參數量 — WeVisOne-VL-4B 為 4.83B 稠密模型，對比 Moondream 3 總計 9B、2B 啟用

• 權重佔用 — 4B 模型在 F32 下約 19 GB，而 Moondream 3 在 FP16 下約 18 GB，社群 INT4 量化版本則約 6 GB

• 上下文 — 未發布 vs 32,768 個 token

• 像素輸出 — 步長 1 的實例遮罩與連續 Alpha 遮罩，相對於分割遮罩

• 授權 — Tencent 撰寫的程式碼採用 Apache 2.0，對比採用 Business Source License 1.1 並附帶 Additional Use Grant

• 託管 API — 從未有過 vs 2026 年 11 月 13 日關閉

• 推論引擎 — 原生 vLLM、SGLang 或專案套件，對比 Photon（專為此用途打造）

基準測試的數字並不是同一種類型的數字

Moondream 的模型頁面列出 COCO mAP 為 51.2。WeVisOne 的 README 列出 COCO F1 平均值為 57.1，其中 IoU 0.5 的 F1 為 74.0。這些數字不能互相相減。平均精確度均值與固定 IoU 閾值下的 F1 所獎勵的行為不同：mAP 會懲罰能找到物件但排序很差的模型，而 0.5 下的 F1 則對鬆散的邊界框較為寬容。任何人若告訴你 WeVisOne 在 COCO 上比 Moondream 3 高出六個百分點，那是在比較兩場不同的考試。

分割列更接近可比較，也更有意思。Moondream 回報 RefCOCO val 分割為 83.2 mIoU；WeVisOne 回報 RefCOCO val 為 81.4 cIoU。兩者都是在同一資料集劃分上，針對指涉表達式計算的交集除以聯集，但 mIoU 與 cIoU 在多張影像間的彙總方式不同，因此 1.8 分的差距完全落在指標選擇的雜訊範圍內。可將兩者視為大致持平。

兩張表格真正分歧的地方，在於它們究竟選擇報告哪些項目。Moondream 公布了 ScreenSpot 80.4、OCRBench 61.2、TextVQA 76.3、POPE 89.0，以及 CountBenchQA 九十出頭的分數——具體取決於你讀的是它自己哪個頁面；發布文章和模型頁面在好幾列上彼此不一致，這點在你引用任一邊之前值得先知道。WeVisOne 公布了拒絕率（在 WeRef-Bench 上為 96.4%）、在 Dense200 和 VisDrone 上的密集偵測，以及在 P3M-500-NP 和 AM-2K 上的去背誤差。兩個模型的作者都沒有評估對方。

授權將比基準測試決定更多交易

WeVisOne-VL-4B 對於騰訊撰寫的程式碼採用 Apache 2.0。Moondream 3 採用 Business Source License 1.1 並附帶 Additional Use Grant，允許個人、研究及大多數商業用途，但若由第三方託管或重新託管該模型，則需與 M87 Labs 達成安排。如果你是在打造內部工具，兩者都沒問題。如果你打造的產品價值在於向其他人提供該模型的服務，那麼只有其中一個是直接可行的。

這項收購帶來一種與授權條款文本毫無關係的二階風險：治理歸屬。一個模型的商業母公司才剛易主，且其託管產品即將關閉，這代表你無法看清它的發展路線圖。這不是避開它的理由——權重是下載而來，不是租用——但這正是本季應該對它進行測試、而非直接標準化採用它的理由。

去背功能實際上有多大價值

Moondream 3 會回傳「那個人」的分割遮罩。WeVisOne-VL-4B 則會回傳遮罩以及一張 Alpha 遮罩，在頭髮、毛髮與柔和邊緣處帶有部分透明度，並以步長 1 進行細化。對於合成流程而言，這正是帶有生硬光暈的剪影，與無需額外清理即可直接放到新背景上的剪影之間的差別。

騰訊針對此方法公布的數字很驚人，但未經證實：在 P3M-500-NP 上的平均絕對差異為 7.3，而作者所列最強基線為 15.4；在 WeRefMat 的指稱表達式去背上為 9.8，而對照為 22.4。這些數字出自論文、由該模型的作者產出，且尚未被重現。它們也是此方法有效的唯一公開證據，因為目前尚無獨立實驗室執行過。

當端點消失時操作模型

Moondream 的關閉是個有用的提醒：託管端點是一種依賴，其生命週期由他人掌控。Moondream 3 與 WeVisOne-VL-4B 目前都不在 OrcaRouter 的目錄中，所以這不是在推銷一條已存在的路由——這正是路由層存在的根本原因。

當供應商停止提供某個模型時，停機與單純配置變更之間的差別，在於你的應用程式指向的是模型名稱還是端點 URL。OrcaRouter 以單一金鑰提供超過 200 個模型，且相對供應商牌價的加價為 0%，而自動容錯移轉會將請求轉送至健康的供應商，而不是傳回錯誤。對於建立在可能被收購的模型上的管線而言，這種抽象層正是你無法在三週內事後補上的部分。

建議，三週後

如果你透過託管 API 執行 Moondream 3 Preview 或 3.1，現在就得做出決定，而且重點不在品質：在 11 月 13 日前，改用 Photon 自行架設，或選擇其他模型。不要等待替代服務出現。

如果你追求新穎，而且你的工作最終產出是遮罩或去背遮罩，WeVisOne-VL-4B 是更有趣的押注，也是較未經證實的選擇——Apache 2.0、真正的架構構想，以及僅兩天的公開歷史。如果你需要一個具備成熟推論引擎、且在許多任務上有實績的廣泛視覺推理模型，那麼無論是否被收購，Moondream 3 仍是更安全的自行託管模型。

而如果你真正需要的既不是前者也不是後者，而是一個背後由你無須自行維運的 API 所提供的通用視覺模型，那就是另一個問題，答案也短得多。這兩個模型都不是。