Moondream

Moondream 是一个视觉语言模型（VLM），由 M87 Labs 开发。你给它一张图片，再附上一句自然语言指令，它就能返回描述、检测框、关键点或分割结果。比如在仓库场景里，用 detect 指令找出「放歪的箱子」，它会给出坐标和置信度。模型权重开源、允许商用，可以直接下载到本地跑，也能通过云端 API 调用。

主要功能

模型本身支持五类任务：caption（生成描述）、query（视觉问答）、detect（目标检测）、point（关键点定位）、segment（分割）。官方提供三个规格：Moondream 3.1 是 9B 的稀疏混合专家模型，侧重推理和长上下文；Moondream 2 是 2B 稠密模型，主打稳定部署；Moondream 2 0.5B 面向算力受限的设备。配套的 Photon 是推理引擎，官方称在 H100 上单次查询延迟约 59 毫秒，也能跑到 Jetson 边缘设备上。Lens 是微调平台，用简单 API 就能用自己的数据训练模型，官方说最少 20 张标注图片就能做强化学习微调。

适合谁

需要把图像理解能力集成进产品的开发者，尤其是做工业质检、仓储管理、场景标注这类垂直场景的团队。如果你只是偶尔想试试模型效果，官方 playground 不需要信用卡，每月还送 5 美元额度。但如果你要的是开箱即用的聊天式看图工具，它更偏底层能力，得自己写代码调用。

费用与限制

模型权重和 Photon 推理引擎免费，云端推理按 token 计费：Moondream 3.1 实时版每百万输入 token 0.30 美元、输出 1.00 美元，批量版更便宜。Lens 微调按训练 token 收费，每百万 0.60 美元。免费计划含 1 个席位和每月 5 美元额度；团队版每月 350 美元（年付 300 美元），增加协作席位和支持。付费计划不改变 token 单价。模型开源可商用，但如果你想把模型作为云服务托管给他人使用，需要另外获得授权。