#
Vision
Herramientas de IA con la etiqueta Vision.
modlens
Un plugin de visión que da a los agentes de programación de solo texto evidencia estructurada de imágenes.
DeepSeek-V4-Flash-Vision-Exp
Variante multimodal experimental de V4-Flash de DeepSeek, para comprender documentos y gráficos
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
CLIP
Modelo contrastivo de imagen y texto de OpenAI que está debajo de gran parte de la IA multimodal actual
CLIP (LAION variant)
Modelo de embeddings de visión y lenguaje de pesos abiertos de LAION, un reentrenamiento de CLIP
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 Vision
Nivel multimodal de Doubao, de ByteDance, para comprender imágenes y documentos
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
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
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
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
PaLI
El modelo de visión-lenguaje a escala de Google, para descripciones, VQA y tareas multilingües
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
Yi-VL-34B
Modelo de visión-lenguaje de pesos abiertos de 01.AI, construido sobre Yi-34B