Moondream2
moondream2Moondream2 small vision-language model on Replicate. About 1.9B params, designed to run on edge devices, handles captioning, visual QA and short OCR-style reads at very low cost.
- Cijena
- ≈ 0,0020 US$/pokretanje
- Ulaz → izlaz
- Tekst + Slika → Tekst
- Razvojni inženjer
- Community
- Ažurirano
- 23. septembar 2026.
Playground
Isprobaj Moondream2
Unos i rezultat
Ovaj pokus
oko 0,002 US$ · 0,2 kredita
Na početku se rezervira 0,0058 US$ (0,58 kredita); naplata se vrši prema stvarnom GPU vremenu.
Novi si ovdje?
10 besplatnih kredita (0,10 US$) kada se registriraš s Googlom
Dostupno 24 sati nakon registracije, do 5 pokusa dnevno i najviše 2 kredita po pokusu. Ostale metode prijave počinju bez kredita. Dovoljno za 17 pokretanja ovog modela.
Examples
InputPrompt
Describe this image
Response
The image features a logo with a smiling blue circle above the word "moondream" written in black text.
InputPrompt
Describe this image
Response
A man with a beard and mustache, wearing a suit and red tie, is smiling at the camera with a blue background featuring a logo.
InputPrompt
Describe this image
Response
An astronaut in a white spacesuit is riding a unicorn with a rainbow mane and tail, soaring through a colorful, dreamlike sky with clouds and rainbows.
O Moondream2
Moondream2 je model od Community iz kategorije Multimodalni. Na Railwailu, Moondream2 košta ≈ 0,0020 US$ po pokretanju.
Cijene
| Tipično pokretanje (≈ 2 s na L40S) | 0,0020 US$ po pokretanju |
|---|---|
| GPU vrijeme (L40S) | 0,00117 US$ po GPU sekundi |
- Naplaćuje se prema GPU vremenu koje pokretanje zapravo traje. Kada se pokretanje počne, 3× tipična cijena se rezervira iz vašeg stanja i naknadno se namiruje.
- 1 kredit = 0,01 US$
Kalkulator troškova
Kalkulator cijena
Tipično prema pružatelju: oko 1,6 s
Ukupno
0,20 US$
20 kredita
Po pokretanju
0,002 US$ · 0,2 kredita
Naplaćuje se stvarno GPU vrijeme; ovo je procjena.
API
Nema provjeren primjer API-ja
Javni API prosleđuje drugačiji format unosa nego što ovaj model trebuje. Koristite playground gore.
Specifikacije
- ID modela
moondream2- Razvojni inženjer
- Community
- Kategorija
- Multimodalni
- Ulaz
- Tekst, Slika
- Izlaz
- Tekst
- Naplata
- Po potrošnji (tokeni ili GPU vrijeme)
- Katalog ažuriran
- 23. septembar 2026.
Parametri ulaza
Ulazi i postavke iz sheme ulaza modela. Primjer u odjeljku API pokazuje koje od njih API prihvaća.
promptobaveznoQuestion about the image
Tip: TekstZadano: –Dozvoljene vrijednosti: do 8.000 znakovaimage_urlImage URL to analyze
Tip: TekstZadano: –Dozvoljene vrijednosti: –
Oznake
- replicate
- moondream
- vision-understanding
- open-source
- small
- edge
Često postavljana pitanja
Što je Moondream2?
Moondream2 je model od Community iz kategorije Multimodalni.
Koliko stoji Moondream2 na Railwailu?
Na Railwailu, Moondream2 košta ≈ 0,0020 US$ po pokretanju. Naplaćuje se ono što svaki zahtjev zapravo koristi. Korištenje se plaća iz unaprijed kupljenih kredita; 1 kredit jednaka je 0,01 US$.
Koje postavke podržava Moondream2?
Prema svojoj shemi unosa, Moondream2 poznaje ove parametre: prompt (do 8.000 znakova) i image_url.
Koliko je brz Moondream2?
Za Moondream2 na Railwailu još nema dovoljno izmjerenih pokretanja da bi se navedlo vrijeme izvršavanja. Ovisi o unošenju, postavkama i opterećenju kod pružatelja.
Je li Moondream2 bolji od BLIP?
To ovisi o zadatku. Moondream2 (Community) i BLIP (Salesforce) su oba modela iz kategorije Multimodalni. Stranica za usporedbu prikazuje njihove cijene i specifikacije usporedno.
Usporedi Moondream2 i BLIPMože li Moondream2 obraditi slike?
Da. Moondream2 prihvaća slike kao unos osim teksta.
Usporedivi modeli
Svi u ovoj kategoriji- BLIPSalesforce
Salesforce BLIP. Vision-language model for image captioning and visual question answering. Given an image it writes a short natural-language caption, or answers a question about the image when one is supplied. A widely used baseline for automatic captioning.
- CLIP InterrogatorCommunity
pharmapsychotic's CLIP Interrogator. Takes an image and produces a Stable-Diffusion-style text prompt by combining BLIP captioning with CLIP to rank likely subjects, artists, mediums and styles. Commonly used to reverse-engineer a prompt from an existing picture.
- Depth Anything v2Community
Monocular depth-estimation model trained on 595k labeled and 62M unlabeled images. Strong zero-shot generalization in indoor and outdoor scenes.
Svi modeli preko jednog API-ja
Jedan API ključ za sve modele na Railwailu. Korištenje se naplaćuje iz unaprijed plaćenih kredita, 1 kredit = 0,01 US$.