让 AI 从照片里找出行人、标出位置，再把坐标交给程序，模型往往既要“看懂”，又要控制运行成本。Moondream 3.1 的思路是混合专家（MoE）——内部准备多组专门网络，每次只调用其中一部分。它共有 9B（90亿）参数，处理一次输入时仅激活 2B（20亿），试图用较大的总容量兼顾较低的单次计算量。
这款视觉语言模型——能同时理解图片和文字的模型——原生支持图片问答、目标检测、位置指点和图片描述，并返回结构化输出，也就是按固定字段给出答案、物体或坐标，方便视觉 Agent 直接读取。项目方称其视觉推理与检测达到领先水平，同时保持较快、较便宜的部署；但供稿没有给出具体基准成绩。基础模型可通过 Photon 在 NVIDIA Ampere 及更新架构的 GPU、Apple Silicon Mac 上本地运行，无需 API key。