#
Vision
KI-Tools mit dem Tag Vision.
modlens
Vision-Plugin, das textbasierten Coding-Agenten strukturierte Bildinformationen bereitstellt.
DeepSeek-V4-Flash-Vision-Exp
Experimentelle multimodale Variante von V4-Flash für das Verständnis von Dokumenten und Diagrammen
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
CLIP
Grundlegendes Bild-Text-Kontrastmodell von OpenAI, das vielen modernen multimodalen KI-Systemen zugrunde liegt
CLIP (LAION variant)
Offenes CLIP-Vision-Language-Embedding-Modell von LAION mit neu trainierten Gewichten
DeepSeek-VL
DeepSeeks erstes Vision-Language-Modell, Vorgänger von DeepSeek-VL2
DeepSeek-VL2
Offenes Vision-Language-Mixture-of-Experts-Modell von DeepSeek
Doubao Vision
Die multimodale Doubao-Stufe von ByteDance für das Verständnis von Bildern und Dokumenten
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
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
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
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
PaLI
Skaliertes Vision-Language-Modell von Google für Bildbeschreibungen, VQA und mehrsprachige Aufgaben
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
Yi-VL-34B
Vision-Language-Modell von 01.AI mit offenen Gewichten auf Basis von Yi-34B