Multimodal

Herramientas de IA con la etiqueta Multimodal.

100+ herramientas · elegidas a mano y seleccionadas

// precio

Gemini Omni Flash El primer modelo de la familia Omni de Google, que combina razonamiento y generación de vídeo

GPT-6.1 Sol La mejora de OpenAI sobre GPT-6 Sol para programación agéntica y uso del ordenador

EmbeddingGemma 2 EmbeddingGemma 2 mete texto, código, imagen, vídeo y audio en un mismo espacio de embeddings

Gemini Robotics ER 2 Gemini Robotics ER 2 es un modelo de razonamiento para robótica que entró en vista previa pública en Google Cloud el 27 de octubre de 2026, con herramientas para empresas

GPT-6.1 Terra GPT-6.1 Terra es el modelo rápido y eficiente de la familia GPT-6 de OpenAI, con razonamiento visual y uso del ordenador

LFM3 LFM3 es la nueva familia de modelos de Liquid AI, construida sobre una columna compartida

Muse Spark Open Muse Spark Open es un modelo de mezcla de expertos multimodal de forma nativa, de Meta, con 816B de parámetros en total, 42B activos y una ventana de contexto de 1 millón de tokens

Muse Wonder Muse Wonder y Muse Wonder Full son modelos de agente que usan Active Memory y Active Focus para tareas largas

Nemotron 3.5 Super VL NVIDIA publicó Nemotron 3.5 Super VL y una variante Bolt 74B-A9B el 15 de octubre de 2026, para flujos de trabajo de agentes multimodales

RynnUnify Modelo de 16B de Alibaba DAMO que empareja un razonador con un generador de vídeo para planificar

GLM-5.3-FlashX Variante de servicio de alta velocidad de GLM-5.3-Flash

Qwen3.8-Omni-Flash Modelo omni de Alibaba de cualquier entrada a texto, que cubre texto, imagen, audio y vídeo

Xiaomi MiMo-V2.6-Pro El modelo insignia de Xiaomi publicado en código abierto, con una variante de inferencia más rápida

DeepSeek-V4.1-Flash El seguimiento más barato de V4-Flash de DeepSeek, con visión y precios por tramos en hora punta

Fugu Ultra v2 El sistema de orquestación de modelos insignia de Sakana AI, ajustado para razonamiento visual

Gemini 3.8 Flash El sucesor de Gemini 3.7 Flash de Google, publicado tres semanas después, con mejoras agénticas

Gemini 3.8 Live Modelo de voz a voz en tiempo real de Google, para agentes de voz en producción

Kimi K2.8 Preview El modelo de nivel intermedio de Moonshot, que acorta la distancia con el Kimi K3 principal

GPT-6 Astra El modelo principal más reciente de OpenAI, que razona con una técnica en bucle llamada «recurrent depth»

Muse Glimmer El modelo agéntico de Meta, abierto y en el dispositivo, destilado de Muse Spark

Qwen3.8-Flash-Next Vista previa de pesos abiertos de Alibaba de su arquitectura Qwen4

DeepSeek-V4-Flash-Vision-Exp Variante multimodal experimental de V4-Flash de DeepSeek, para comprender documentos y gráficos

GLM-5.3-Flash El primer modelo GLM-5 de Zhipu multimodal de forma nativa, revelado tras hacerse viral con el nombre «Ox Alpha»

Gemini 3.7 Flash El sucesor de Gemini 3.6 Flash de Google, publicado tres semanas después y con la salida más barata

Qwen3.8-27B Modelo multimodal de pesos abiertos de Alibaba, de un tamaño que cabe en una sola GPU local

FLUX 3 El primer modelo unificado de Black Forest Labs para imágenes, vídeo y audio en una sola arquitectura

Gemini 3.5 Flash-Lite El nivel Gemini 3.5 más barato de Google, pensado para automatización de alto volumen

Gemini 3.6 Flash El nuevo modelo Flash por defecto de Google, más barato y más rápido que 3.5 Flash en tareas de programación y agénticas

GPT-Live-1 El modelo de voz en dúplex completo de OpenAI, que escucha y habla a la vez

Kimi K3 El modelo de pesos abiertos de 2,8 billones de parámetros de Moonshot, el modelo abierto más grande publicado hasta la fecha

Qwen3.8-Max El modelo Qwen más grande y capaz de Alibaba hasta ahora, insignia multimodal de 2,4 billones de parámetros

Gemini 3 Flash El modelo de nivel Flash de Google que lleva el razonamiento de Gemini 3 Pro a menos coste y latencia

Gemini 3.1 Pro El sucesor en disponibilidad general de Gemini 3 Pro, de Google

Gemini 3.5 Flash El modelo Flash por defecto de Google, que corre unas cuatro veces más rápido que otros modelos de frontera

Inkling El primer modelo de pesos abiertos del laboratorio Thinking Machines de Mira Murati

Kimi K2.5 La actualización multimodal nativa de K2 de Moonshot, pensada para coordinar enjambres de subagentes

Amazon Nova 2 Pro Modelo principal de segunda generación de Amazon en Bedrock

Llama 5 El siguiente modelo insignia multimodal de pesos abiertos de Meta, para el dispositivo y para el centro de datos

Qwen4-Max El modelo propietario insignia de Alibaba para su API de Qwen y su plataforma en la nube

Runway Gen-5 El modelo de generación de vídeo más reciente de Runway, para planos más largos y más controlables

Gemini Pro Modelo multimodal de gama media de Google, fuerte en tareas de visión

Qwen Studio Asistente de IA multimodal basado en los modelos Qwen

Amazon Nova Lite Nivel multimodal de bajo coste de Amazon en Bedrock

Amazon Nova Premier El nivel Nova de Amazon más capaz, para tareas complejas de varios pasos

Amazon Nova Pro Modelo fundacional multimodal principal de Amazon en Bedrock

BLIP Modelo de preentrenamiento de visión y lenguaje de Salesforce, para descripción y recuperación

BLIP-2 Sucesor más eficiente de BLIP, de Salesforce, que arranca el preentrenamiento de visión y lenguaje a partir de encoders congelados

Chameleon Modelo de fusión temprana de Meta que mezcla de forma nativa tokens de texto y de imagen

CLIP Modelo contrastivo de imagen y texto de OpenAI que está debajo de gran parte de la IA multimodal actual

Cohere Embed v4 El modelo de embeddings multimodal más reciente de Cohere, para texto, imágenes y documentos mixtos

DeepSeek-VL El primer modelo de visión-lenguaje de DeepSeek, anterior a DeepSeek-VL2

DeepSeek-VL2 Modelo de visión-lenguaje de mezcla de expertos y pesos abiertos de DeepSeek

Doubao 1.5 Pro El modelo fundacional insignia de ByteDance detrás de su asistente Doubao

Doubao Vision Nivel multimodal de Doubao, de ByteDance, para comprender imágenes y documentos

Doubao-Seed 1.6 El nivel de Doubao de ByteDance ajustado para razonamiento

Emu3 Modelo de predicción del siguiente token de BAAI que une generación y comprensión de texto, imagen y vídeo

ERNIE 4.5 El modelo fundacional multimodal insignia de Baidu

Falcon 2 La generación Falcon de TII entre Falcon 180B y Falcon 3, con una variante de visión-lenguaje

Flamingo Modelo de visión-lenguaje de DeepMind que abrió el razonamiento multimodal few-shot

Florence-2 Modelo fundacional de visión compacto de Microsoft para descripción, detección y segmentación en un solo modelo

Fuyu-8B Modelo multimodal de pesos abiertos de Adept, construido para la percepción de agentes digitales

Gato Agente generalista único de DeepMind, entrenado con texto, imágenes y control robótico

Gemini 1.0 Pro El nivel intermedio de la primera generación Gemini de Google

Gemini 1.0 Ultra La primera insignia de la generación Gemini de Google, lanzada a principios de 2024

Gemini 1.5 Flash El nivel Gemini 1.5 de Google, rápido y de bajo coste, destilado a partir de Gemini 1.5 Pro

Gemini 1.5 Pro El modelo de Google de 2024 que introdujo la ventana de contexto de 1 millón de tokens

Gemini 2.0 Flash Modelo multimodal de baja latencia de la generación 2.0 de Google

Gemini 2.5 Flash El nivel Gemini de Google de baja latencia y coste ajustado

Gemini 2.5 Pro El lanzamiento Gemini de Google de 2025, centrado en el razonamiento

Gemini 3 Pro El modelo multimodal insignia de Google, con una ventana de contexto de 1 millón de tokens

Gemini 3.5 Pro El modelo de frontera de la generación siguiente de Google, anunciado pero todavía no publicado del todo

GPT-4o El modelo omni de OpenAI, multimodal de origen en texto, imagen y audio

GPT-4o mini El modelo multimodal pequeño y de bajo coste de OpenAI

GPT-4o Realtime Variante de voz a voz y baja latencia de GPT-4o para conversación en directo

GPT-5 La familia unificada de modelos de razonamiento y chat de OpenAI

GPT-5.6 Sol El modelo principal de OpenAI para razonamiento avanzado en matemáticas, ciencia y ciberseguridad

Granite Vision El modelo compacto de visión y lenguaje de IBM para entender documentos y gráficos

Grok-1.5V El primer modelo Grok de xAI con visión, anunciado como vista previa antes de un lanzamiento más amplio

Grok-2 El modelo de xAI de 2024 que añadió generación nativa de imágenes

HyperCLOVA X Vision La extensión multimodal de HyperCLOVA X de Naver para entender imágenes

IDEFICS2 El modelo abierto de visión y lenguaje de Hugging Face, pensado para preguntas sobre documentos y gráficos

InternVL2 La familia abierta de modelos de visión y lenguaje del Shanghai AI Lab, a la altura de modelos multimodales propietarios

Kimi-VL El modelo de visión y lenguaje de pesos abiertos de Moonshot

Kosmos-2 El modelo multimodal con anclaje de Microsoft, que vincula el lenguaje a regiones concretas de la imagen

Llama 3.2 La primera generación Llama de Meta con niveles de visión y para el dispositivo

Llama 4 Maverick El modelo insignia multimodal de mezcla de expertos y pesos abiertos de Meta

Llama 4 Scout El nivel Llama 4 de Meta, más pequeño y más rápido, con una ventana de contexto de 10 millones de tokens

MiniCPM-V El modelo multimodal para el edge de OpenBMB, capaz de tareas de visión al nivel de GPT-4V en un teléfono

MiniMax M3 El primer modelo de pesos abiertos que une programación de frontera, un contexto de 1 millón de tokens y multimodalidad nativa

PaLI El modelo de visión-lenguaje a escala de Google, para descripciones, VQA y tareas multilingües

PaLM-E El modelo multimodal corporeizado de Google, que une el lenguaje con sensores y acciones de robots

Phi-3-vision El miembro multimodal de la familia Phi-3, para razonar sobre imágenes en el dispositivo

Pixtral 12B El primer modelo multimodal de Mistral, más pequeño que Pixtral Large

Pixtral Large El modelo insignia de visión y lenguaje de Mistral

Qwen-VL El primer modelo de visión y lenguaje de Alibaba en la familia Qwen

Qwen2.5-VL El modelo de visión y lenguaje de pesos abiertos de Alibaba

Reka Core El modelo fundacional multimodal insignia de Reka

Reka Flash El modelo multimodal eficiente de nivel intermedio de Reka

SenseNova 5.0 El modelo SenseNova multimodal insignia de SenseTime, anterior a la actualización 5.5

SenseNova 5.5 El modelo fundacional multimodal insignia de SenseTime

Titan Multimodal Embeddings Modelo de embeddings de Amazon en Bedrock para búsqueda conjunta de texto e imagen

Yi-VL-34B Modelo de visión-lenguaje de pesos abiertos de 01.AI, construido sobre Yi-34B

ZOOOP ZOOOP es una plataforma creativa nativa de IA para generar imágenes, vídeo y …

Minimax MiniMax es una empresa china de IA que ofrece modelos fundacionales de …

Gemini Advanced El asistente de IA más capaz de Google, con Gemini Ultra

Google AI Studio El espacio de pruebas gratuito de Google para desarrolladores con modelos Gemini

Aleph Alpha Modelos de IA soberanos europeos para empresas y gobiernos

Jina AI Infraestructura de IA multimodal para búsqueda y embeddings

LanceDB Base de datos vectorial de código abierto optimizada para IA multimodal

Marqo Motor de búsqueda vectorial de código abierto con soporte multimodal

Reka AI Modelos de IA multimodales para entender texto, imágenes y vídeo

Weaviate Base de datos vectorial de código abierto, con búsqueda híbrida e IA multimodal