1. チュートリアルの概要

Moondream3は、Moondreamチームが2025年9月に提案したハイブリッドエキスパートアーキテクチャに基づく視覚言語モデルです。90億個のパラメータ（うち20億個は活性化パラメータ）を有し、最先端の視覚推論機能を提供します。最大32Kのコンテキスト長をサポートし、高解像度画像を効率的に処理できます。Moondream3は革新的なMoE FFNおよびSigLIPビジュアルエンコーダを採用しており、画像質問応答、画像アノテーション、物体検出などのタスクに適しています。関連技術文献は「ムーンドリーム3 プレビュー: 驚異的なスピードで展開するフロンティアレベルの推理”。

このチュートリアルでは、リソースとして単一の RTX 5090 グラフィック カードを使用し、プロジェクト出力は英語のみをサポートします。

2. プロジェクト例

3. 操作手順

1. コンテナを起動した後、API アドレスをクリックして Web インターフェイスに入ります

2. ウェブページに入ると、モデルを使用できます

「Bad Gateway」と表示される場合は、コードがバックグラウンドで実行されていることを意味します。2～3分ほどお待ちいただき、ページを更新してください。

利用手順

1. キャプション

2. 視覚的な質問応答

3. 物体検出

4. ポイント検出