Multimodal

KI-Tools mit dem Tag Multimodal.

100+ Tools · handverlesen und kuratiert

// Preis

Gemini Omni Flash Erstes Modell aus Googles Omni-Familie, das Schlussfolgern mit Videogenerierung verbindet

GPT-6.1 Sol Upgrade von GPT-6 Sol für agentische Programmierung und Computernutzung

EmbeddingGemma 2 EmbeddingGemma 2 bildet Text, Code, Bilder, Video und Audio in einem gemeinsamen Embedding-Raum ab

Gemini Robotics ER 2 Gemini Robotics ER 2 ist ein Reasoning-Modell für Robotik, das am 27. Oktober 2026 auf Google Cloud als öffentliche Vorschau mit Unternehmenstools verfügbar wurde

GPT-6.1 Terra GPT-6.1 Terra ist das schnelle, effiziente Modell der GPT-6-Familie von OpenAI mit visuellem Schlussfolgern und Computernutzung

LFM3 LFM3 ist die neue Modellfamilie von Liquid AI auf Basis eines gemeinsamen Backbones

Muse Spark Open Nativ multimodales Mixture-of-Experts-Modell von Meta mit insgesamt 816 Milliarden und 42 Milliarden aktiven Parametern sowie einem Kontextfenster von einer Million Tokens

Muse Wonder Muse Wonder und Muse Wonder Full sind Agentenmodelle, die für längere Aufgaben Active Memory und Active Focus nutzen

Nemotron 3.5 Super VL NVIDIA veröffentlichte Nemotron 3.5 Super VL und die Bolt-Variante 74B-A9B am 15. Oktober 2026 für multimodale Agenten-Workflows

RynnUnify Das 16B-Modell von Alibaba DAMO kombiniert ein Schlussfolgerungsmodell mit einem Videogenerator zur Planung

GLM-5.3-FlashX Hochgeschwindigkeits-Bereitstellungsvariante von GLM-5.3-Flash

Qwen3.8-Omni-Flash Omni-Modell von Alibaba, das Text, Bild, Audio und Video in Text umwandelt

Xiaomi MiMo-V2.6-Pro Offenes Flaggschiffmodell von Xiaomi mit einer schnelleren Inferenzvariante

DeepSeek-V4.1-Flash Günstigerer, visuell unterstützter Nachfolger von V4-Flash mit gestaffelten Spitzenpreisen

Fugu Ultra v2 Flaggschiffsystem von Sakana AI zur Modellorchestrierung, optimiert für visuelles Schlussfolgern

Gemini 3.8 Flash Nachfolger von Gemini 3.7 Flash von Google, drei Wochen später mit Fortschritten bei agentischen Aufgaben veröffentlicht

Gemini 3.8 Live Sprach-zu-Sprache-Modell von Google in Echtzeit für produktive Sprachagenten

Kimi K2.8 Preview Modell der mittleren Leistungsklasse von Moonshot, das den Abstand zum Flaggschiff Kimi K3 verringert

GPT-6 Astra OpenAIs neuestes Flaggschiffmodell mit einer Schleifentechnik namens „recurrent depth“

Muse Glimmer Offenes agentisches On-Device-Modell von Meta, destilliert aus Muse Spark

Qwen3.8-Flash-Next Offene Vorschau von Alibaba auf die Qwen4-Architektur der nächsten Generation

DeepSeek-V4-Flash-Vision-Exp Experimentelle multimodale Variante von V4-Flash für das Verständnis von Dokumenten und Diagrammen

GLM-5.3-Flash Erstes nativ multimodales GLM-5-Modell von Zhipu, nach viralem Erfolg unter dem Namen „Ox Alpha“ vorgestellt

Gemini 3.7 Flash Nachfolger von Gemini 3.6 Flash von Google, drei Wochen später mit günstigeren Ausgabepreisen veröffentlicht

Qwen3.8-27B Offenes multimodales Modell von Alibaba, ausgelegt für den Betrieb auf einer einzelnen lokalen GPU

FLUX 3 Erstes einheitliches Modell von Black Forest Labs für Bilder, Videos und Audio in einer Architektur

Gemini 3.5 Flash-Lite Die günstigste Gemini-3.5-Stufe von Google, ausgelegt auf Automatisierung mit hohem Anfragevolumen

Gemini 3.6 Flash Googles neues Standard-Flash-Modell, bei Programmierung und agentischen Aufgaben günstiger und schneller als 3.5 Flash

GPT-Live-1 Vollduplex-Sprachmodell von OpenAI, das gleichzeitig zuhört und spricht

Kimi K3 Offenes Modell von Moonshot mit 2,8 Billionen Parametern, das bislang größte veröffentlichte offene Modell

Qwen3.8-Max Größtes und leistungsfähigstes Qwen-Modell von Alibaba mit 2,4 Billionen Parametern und multimodaler Ausrichtung

Gemini 3 Flash Flash-Modell von Google, das Reasoning von Gemini 3 Pro zu geringeren Kosten und niedrigerer Latenz bietet

Gemini 3.1 Pro Allgemein verfügbarer Nachfolger von Gemini 3 Pro von Google

Gemini 3.5 Flash Googles Standard-Flash-Modell, etwa viermal schneller als konkurrierende Frontier-Modelle

Inkling Erstes Open-Weight-Modell aus Mira Muratis Thinking Machines Lab

Kimi K2.5 Nativ multimodales Update von K2 durch Moonshot, ausgelegt auf die Koordination von Schwärmen aus Unteragenten

Amazon Nova 2 Pro Flaggschiffmodell der zweiten Generation von Amazon Bedrock

Llama 5 Metas nächstes offenes multimodales Flaggschiffmodell für Geräte und Rechenzentren

Qwen4-Max Proprietäres Flaggschiffmodell von Alibaba für die Qwen-API und Cloudplattform

Runway Gen-5 Neuestes Videogenerierungsmodell von Runway für längere und besser steuerbare Aufnahmen

Gemini Pro Googles multimodales Modell der mittleren Leistungsklasse, stark bei visuellen Aufgaben

Qwen Studio Multimodaler KI-Assistent auf Basis der Qwen-Modelle

Amazon Nova Lite Die kostengünstige multimodale Bedrock-Modellstufe von Amazon

Amazon Nova Premier Die leistungsfähigste Nova-Stufe von Amazon für komplexe Aufgaben mit mehreren Schritten

Amazon Nova Pro Amazons führendes multimodales Grundlagenmodell auf Bedrock

BLIP Vision-Language-Pretraining-Modell von Salesforce für Bildbeschreibungen und Informationsabruf

BLIP-2 Effizienterer Nachfolger von BLIP von Salesforce, der das Vision-Language-Pretraining mit eingefrorenen Encodern startet

Chameleon Early-Fusion-Modell von Meta, das Text- und Bild-Tokens nativ kombiniert

CLIP Grundlegendes Bild-Text-Kontrastmodell von OpenAI, das vielen modernen multimodalen KI-Systemen zugrunde liegt

Cohere Embed v4 Neuestes multimodales Embedding-Modell von Cohere für Text, Bilder und gemischte Dokumente

DeepSeek-VL DeepSeeks erstes Vision-Language-Modell, Vorgänger von DeepSeek-VL2

DeepSeek-VL2 Offenes Vision-Language-Mixture-of-Experts-Modell von DeepSeek

Doubao 1.5 Pro Das führende Grundlagenmodell von ByteDance hinter dem Doubao-Assistenten

Doubao Vision Die multimodale Doubao-Stufe von ByteDance für das Verständnis von Bildern und Dokumenten

Doubao-Seed 1.6 Die auf Reasoning abgestimmte Stufe des Doubao-Grundlagenmodells von ByteDance

Emu3 BAAIs Next-Token-Prediction-Modell für die gemeinsame Generierung und das Verständnis von Text, Bildern und Videos

ERNIE 4.5 Das führende multimodale Grundlagenmodell von Baidu

Falcon 2 Die Falcon-Generation von TII zwischen Falcon 180B und Falcon 3, ergänzt um eine Vision-Language-Variante

Flamingo Vision-Language-Modell von DeepMind, das multimodales Few-Shot-Reasoning maßgeblich prägte

Florence-2 Kompaktes Grundlagenmodell für Bildverarbeitung von Microsoft, das Beschriftung, Erkennung und Segmentierung in einem Modell vereint

Fuyu-8B Multimodales Open-Weight-Modell von Adept für die Wahrnehmung durch digitale Agenten.

Gato DeepMinds einzelner Generalist-Agent, trainiert mit Text, Bildern und Robotersteuerung

Gemini 1.0 Pro Die Mittelklasse der ersten Gemini-Generation von Google

Gemini 1.0 Ultra Das erste Spitzenmodell der Gemini-Generation von Google, veröffentlicht Anfang 2024

Gemini 1.5 Flash Schnelle, kostengünstige Gemini-1.5-Variante von Google, destilliert aus Gemini 1.5 Pro

Gemini 1.5 Pro Modell von Google aus dem Jahr 2024, das ein Kontextfenster von einer Million Tokens einführte

Gemini 2.0 Flash Multimodales Modell der 2.0-Generation von Google mit niedriger Latenz

Gemini 2.5 Flash Gemini-Variante von Google mit niedriger Latenz und geringen Kosten

Gemini 2.5 Pro Reasoning-orientierte Gemini-Veröffentlichung von Google aus dem Jahr 2025

Gemini 3 Pro Googles multimodales Flaggschiffmodell mit einem Kontextfenster von einer Million Tokens

Gemini 3.5 Pro Googles Frontier-Modell der nächsten Generation, angekündigt, aber noch nicht vollständig veröffentlicht

GPT-4o Omni-Modell von OpenAI mit nativer Multimodalität für Text, Bild und Audio

GPT-4o mini Kleines, kosteneffizientes multimodales Modell von OpenAI

GPT-4o Realtime Sprach-zu-Sprache-Variante von GPT-4o mit niedriger Latenz für Live-Gespräche

GPT-5 Vereinheitlichte Modellfamilie von OpenAI für Schlussfolgern und Chat

GPT-5.6 Sol OpenAIs Flaggschiffmodell für fortgeschrittenes Schlussfolgern in Mathematik, Wissenschaft und Cybersicherheit

Granite Vision IBMs kompaktes Vision-Language-Modell zum Verständnis von Dokumenten und Diagrammen

Grok-1.5V xAIs erstes Grok-Modell mit Bildverarbeitung, zunächst als Vorschau angekündigt

Grok-2 Modell von xAI aus dem Jahr 2024, das native Bildgenerierung ergänzte

HyperCLOVA X Vision Multimodale Erweiterung von NAVERs HyperCLOVA X zum Verständnis von Bildern.

IDEFICS2 Offenes Vision-Language-Modell von Hugging Face für Dokumenten- und Diagrammfragen

InternVL2 Offene Vision-Language-Modellfamilie des Shanghai AI Lab, konkurrenzfähig mit proprietären multimodalen Modellen

Kimi-VL Open-Weight-Vision-Language-Modell von Moonshot.

Kosmos-2 Multimodales Modell von Microsoft, das Sprache mit bestimmten Bildbereichen verknüpft

Llama 3.2 Erste Llama-Generation von Meta mit visuell leistungsfähigen und On-Device-Varianten

Llama 4 Maverick Multimodales Mixture-of-Experts-Flaggschiffmodell von Meta mit offenen Gewichten

Llama 4 Scout Kleinere, schnellere Llama-4-Variante von Meta mit einem Kontextfenster von 10 Millionen Tokens

MiniCPM-V Das multimodale Edge-Modell von OpenBMB, das auf einem Smartphone Vision-Aufgaben auf GPT-4V-Niveau bewältigen kann

MiniMax M3 Erstes offenes Modell mit führender Programmierung, einem Kontextfenster von einer Million Tokens und nativer Multimodalität

PaLI Skaliertes Vision-Language-Modell von Google für Bildbeschreibungen, VQA und mehrsprachige Aufgaben

PaLM-E Embodied multimodales Modell von Google, das Sprache mit Robotiksensoren und -aktionen verbindet

Phi-3-vision Multimodales Mitglied der Phi-3-Familie für Bildschlussfolgerungen direkt auf dem Gerät

Pixtral 12B Erstes multimodales Modell von Mistral, kleiner als Pixtral Large

Pixtral Large Flaggschiffmodell von Mistral für Vision und Sprache

Qwen-VL Erstes Vision-Language-Modell der Qwen-Familie von Alibaba

Qwen2.5-VL Offenes Vision-Language-Modell von Alibaba

Reka Core Multimodales Foundation-Flaggschiffmodell von Reka.

Reka Flash Effizientes multimodales Modell der Mittelklasse von Reka.

SenseNova 5.0 Das führende multimodale SenseNova-Modell von SenseTime, vor dem Update auf Version 5.5

SenseNova 5.5 SenseTimes multimodales Foundation-Flaggschiffmodell.

Titan Multimodal Embeddings Das Bedrock-Embedding-Modell von Amazon für die gemeinsame Suche in Texten und Bildern

Yi-VL-34B Vision-Language-Modell von 01.AI mit offenen Gewichten auf Basis von Yi-34B

ZOOOP ZOOOP ist eine KI-native Kreativplattform für Bild-, Video- und Audiogenerierung …

Minimax MiniMax ist ein chinesisches KI-Unternehmen mit Video- und Bildgenerierung, …

Gemini Advanced Googles leistungsfähigster KI-Assistent mit Gemini Ultra

Google AI Studio Kostenlose Entwickler-Playground-Umgebung für Gemini-Modelle von Google

Aleph Alpha Deutsches KI-Unternehmen für souveräne Unternehmensplattformen

Jina AI Multimodale KI-Infrastruktur für Suche und Embeddings

LanceDB Quelloffene Vektordatenbank für multimodale KI

Marqo Open-Source-Vektorsuchmaschine mit multimodaler Unterstützung

Reka AI Multimodale KI-Modelle für Text-, Bild- und Videoverständnis

Weaviate Quelloffene Vektordatenbank mit hybrider Suche und multimodaler KI