Moondream 3 开源视觉语言模型：9B 参数仅 2B 激活，32K 上下文把视觉理解塞进小模型

2026 年 10 月 15 日，Moondream 一次性放出 Moondream 3 系列的两个版本——3 Preview 与 3.1，全部开放权重。它们用 9B 总参数、约 2B 激活的混合专家（MoE）结构，在 32K 上下文里做视觉语言理解，把过去要大模型才扛得动的看图问答、目标检测、OCR 能力，压到了"小模型速度、低成本部署"的区间。

参数与架构：小而专的 MoE

Moondream 3 系列走的是"小而专"路线。两个版本都是 9B 总参数、约 2B 激活的 MoE 架构，上下文窗口 32K，最大输出 4K token。这种"总参大、激活小"的设计，让它在保持参数量带来的知识容量的同时，把每次推理的计算开销压到接近一个小稠密模型。

模态上是标准的 text + image → text：吃一张图（或截图、文档图）加一段文字，吐出文字回答。模型支持 reasoning（推理）与 non-reasoning（非推理）两种模式，可按任务切换。

能力：不只是看图问答

Moondream 3 的核心能力覆盖视觉理解的常见任务：

  • 视觉问答（VQA）：回答关于图像内容的问题；
  • 图像描述（captioning）：给图片生成文字说明；
  • OCR：从图片、截图、文档里抽取文字；
  • 视觉推理：结合图像与逻辑做判断；
  • 原生目标检测（object detection）与指向（pointing）：直接框出或指出图里的特定物体——这是 3.1 强调的卖点，也是很多小模型不具备的能力。

其中目标检测与 pointing 是 Moondream 3 相对同体量模型更有辨识度的能力：它不是只"描述"图像，而是能在图里定位物体，这对文档解析、界面理解、机器人感知等场景更直接有用。

3 Preview 与 3.1 的区别

两个版本同日发布，共享 32K 上下文和 4K 最大输出，定价也一致（官方 API 为每百万输入 \(0.30、输出 \)2.50；在 OpenRouter / PrimeIntellect 上的最低路线同样是 \(0.3 / \)2.5，比同类平均便宜约 79%）。

差别主要在许可与定位：3 Preview 是更早放出的预览版，带 reasoning 与非 reasoning 两种模式；3.1 是系列里的更新Release，采用 Moondream License（开放权重、自定义许可），把重心放在"以小型稠密模型的推理成本，做高吞吐图像理解"——适合海量、简单的视觉任务，把成本压到最低。

基准与可用性

从第三方目录（如 ModelsAtlas）汇总的代理信号看，Moondream 3 Preview 在常见基准上的大致水位为：MMLU 约 92、HumanEval 约 74、GSM8K 约 78、GPQA 约 74（均为代理信号，非官方提交成绩，真实评测分数通常要等 Epoch AI 等机构发布后才会补全）。

权重已在 Hugging Face 开放：moondream/moondream3-preview 与 moondream/moondream3.1-9B-A2B，采用自定义 Moondream License（开放权重，可下载、自托管、按需微调）。也可以通过 Moondream 官方 API 或 OpenRouter 等托管端点直接调用，且大多提供 OpenAI 兼容接口，切换模型往往只需改一个 model 名字。

定位与边界

Moondream 3 的清晰定位是：低成本、高吞吐的视觉理解。它能自托管，数据不出本地、免按 token 计费，适合视觉问答、图像描述、图像+文本这类任务。对想在自己的机房或端侧跑视觉模型的团队，它是一个轻量、可控的选项。

它的边界同样明确：32K 上下文偏短、4K 最大输出偏短，生成文本的单位成本相对输入更高，因此不适合长文档、超长对话或需要海量输出的场景。把它放在"高频、简单、可规模化"的视觉任务上，性价比最突出。

在一个开源模型密集发布的窗口里，Moondream 3 没有去拼参数量排行榜，而是把"视觉理解能力下放"做扎实——用 MoE 把成本压下来，又保留目标检测这类实用能力。对预算敏感、又需要真能落地的图像理解能力的团队，这是一朵更务实的小模型。