Multimodal

Outils d'IA avec l'étiquette Multimodal.

100+ outils · choisis à la main

// prix

Gemini Omni Flash Premier modèle de la famille Omni de Google, qui mêle raisonnement et génération de vidéo

GPT-6.1 Sol La mise à niveau de GPT-6 Sol par OpenAI, pour le code agentique et le computer use

EmbeddingGemma 2 EmbeddingGemma 2 place texte, code, image, vidéo et audio dans un seul espace d'embeddings

Gemini Robotics ER 2 Gemini Robotics ER 2 est un modèle de raisonnement robotique, entré en préversion publique sur Google Cloud le 27 octobre 2026, avec des outils pour les entreprises

GPT-6.1 Terra Le modèle rapide et économe de la famille GPT-6 d'OpenAI, avec raisonnement visuel et computer use

LFM3 LFM3 est la nouvelle famille de modèles de Liquid AI, construite sur une base partagée

Muse Spark Open Muse Spark Open est un modèle à mélange d'experts nativement multimodal de Meta, avec 816 milliards de paramètres au total, 42 milliards actifs et une fenêtre de contexte d'un million de tokens

Muse Wonder Muse Wonder et Muse Wonder Full sont des modèles d'agents qui utilisent Active Memory et Active Focus pour les tâches longues

Nemotron 3.5 Super VL NVIDIA a publié Nemotron 3.5 Super VL et une variante Bolt 74B-A9B le 15 octobre 2026, pour des flux de travail d'agents multimodaux

RynnUnify Le modèle 16B d'Alibaba DAMO, qui associe un raisonneur et un générateur vidéo pour la planification

GLM-5.3-FlashX Variante de service à haut débit de GLM-5.3-Flash

Qwen3.8-Omni-Flash Le modèle omni any-to-text d'Alibaba, qui couvre le texte, l'image, l'audio et la vidéo

Xiaomi MiMo-V2.6-Pro Modèle phare de Xiaomi mis en open source, avec une variante d'inférence plus rapide

DeepSeek-V4.1-Flash La suite moins chère de V4-Flash, capable de vision, avec une tarification de pointe par paliers

Fugu Ultra v2 Le système d'orchestration de modèles phare de Sakana AI, réglé pour le raisonnement visuel

Gemini 3.8 Flash Le successeur de Gemini 3.7 Flash chez Google, sorti trois semaines plus tard avec des gains sur les agents

Gemini 3.8 Live Le modèle parole-parole en temps réel de Google, pour des agents vocaux en production

Kimi K2.8 Preview Modèle de milieu de gamme de Moonshot, qui réduit l'écart avec le Kimi K3 phare

GPT-6 Astra Le nouveau modèle phare d'OpenAI, qui raisonne avec une technique en boucle, le recurrent depth

Muse Glimmer Le modèle agentique ouvert de Meta pour l'appareil, distillé de Muse Spark

Qwen3.8-Flash-Next L'aperçu à poids ouverts, par Alibaba, de l'architecture Qwen4 de prochaine génération

DeepSeek-V4-Flash-Vision-Exp La variante multimodale expérimentale de V4-Flash, pour la lecture de documents et de graphiques

GLM-5.3-Flash Le premier modèle GLM-5 nativement multimodal de Zhipu, révélé après être devenu viral sous le nom « Ox Alpha »

Gemini 3.7 Flash Le successeur de Gemini 3.6 Flash chez Google, sorti trois semaines plus tard avec une sortie moins chère

Qwen3.8-27B Le modèle multimodal à poids ouverts d'Alibaba, taillé pour tourner sur un seul GPU local

FLUX 3 Le premier modèle unifié de Black Forest Labs pour les images, la vidéo et l'audio, dans une seule architecture

Gemini 3.5 Flash-Lite Le palier Gemini 3.5 le moins cher de Google, conçu pour l'automatisation à fort volume

Gemini 3.6 Flash Le nouveau modèle Flash par défaut de Google, moins cher et plus rapide que 3.5 Flash sur le code et les tâches d'agents

GPT-Live-1 Le modèle vocal full duplex d'OpenAI, qui écoute et parle en même temps

Kimi K3 Modèle à poids ouverts de 2,8 billions de paramètres de Moonshot, le plus grand modèle ouvert livré à ce jour

Qwen3.8-Max Le plus grand et le plus capable des modèles Qwen d'Alibaba à ce jour, un modèle multimodal phare de 2,4 billions de paramètres

Gemini 3 Flash Le modèle de palier Flash de Google, qui ramène le raisonnement de Gemini 3 Pro à un coût et une latence plus bas

Gemini 3.1 Pro Le successeur de Gemini 3 Pro chez Google, en disponibilité générale

Gemini 3.5 Flash Le modèle Flash par défaut de Google, environ quatre fois plus rapide que les modèles frontier concurrents

Inkling Premier modèle à poids ouverts du Thinking Machines Lab de Mira Murati

Kimi K2.5 Mise à jour multimodale native de K2 chez Moonshot, conçue pour coordonner des essaims de sous-agents

Amazon Nova 2 Pro Le modèle Bedrock phare de deuxième génération d'Amazon

Llama 5 Prochain modèle phare multimodal à poids ouverts de Meta, pour l'appareil comme pour le centre de données

Qwen4-Max Le modèle propriétaire phare d'Alibaba pour l'API Qwen et sa plateforme cloud

Runway Gen-5 Le modèle de génération vidéo le plus récent de Runway, fait pour des plans plus longs et plus contrôlables

Gemini Pro Modèle multimodal de milieu de gamme de Google, fort sur les tâches de vision

Qwen Studio Assistant d'IA multimodal alimenté par les modèles Qwen

Amazon Nova Lite Le palier multimodal Bedrock d'Amazon, à bas coût

Amazon Nova Premier Le palier Nova le plus capable d'Amazon, pour les tâches complexes en plusieurs étapes

Amazon Nova Pro Le modèle de fondation multimodal phare d'Amazon sur Bedrock

BLIP Le modèle de préentraînement vision-langage de Salesforce, pour le légendage et la recherche

BLIP-2 Le successeur plus efficace de BLIP chez Salesforce, qui amorce le préentraînement vision-langage depuis des encodeurs gelés

Chameleon Le modèle à fusion précoce de Meta, qui mélange nativement des tokens de texte et d'image

CLIP Modèle contrastif image-texte fondateur d'OpenAI, derrière une grande partie de l'IA multimodale actuelle

Cohere Embed v4 Modèle d'embeddings multimodal le plus récent de Cohere, pour le texte, les images et les documents mixtes

DeepSeek-VL Le premier modèle vision-langage de DeepSeek, avant DeepSeek-VL2

DeepSeek-VL2 Le modèle vision-langage à mélange d'experts et à poids ouverts de DeepSeek

Doubao 1.5 Pro Le modèle de fondation phare de ByteDance, derrière son assistant Doubao

Doubao Vision Le palier multimodal Doubao de ByteDance, pour la compréhension d'images et de documents

Doubao-Seed 1.6 Le palier ajusté pour le raisonnement du modèle de fondation Doubao, chez ByteDance

Emu3 Le modèle de prédiction du token suivant de BAAI, qui unifie génération et compréhension de texte, d'image et de vidéo

ERNIE 4.5 Le modèle de fondation multimodal phare de Baidu

Falcon 2 La génération Falcon de TII entre Falcon 180B et Falcon 3, avec une variante vision-langage

Flamingo Le modèle vision-langage de DeepMind qui a ouvert le raisonnement multimodal en few-shot

Florence-2 Le modèle de fondation visuel compact de Microsoft, pour les légendes, la détection et la segmentation en un seul modèle

Fuyu-8B Le modèle multimodal à poids ouverts d'Adept, conçu pour la perception des agents numériques

Gato L'agent généraliste unique de DeepMind, entraîné sur le texte, les images et le contrôle robotique

Gemini 1.0 Pro Le palier intermédiaire de la première génération Gemini de Google

Gemini 1.0 Ultra Le premier phare de la génération Gemini de Google, lancé début 2024

Gemini 1.5 Flash Le palier Gemini 1.5 rapide et peu coûteux de Google, distillé à partir de Gemini 1.5 Pro

Gemini 1.5 Pro Le modèle de Google de 2024 qui a introduit la fenêtre de contexte d'un million de tokens

Gemini 2.0 Flash Le modèle multimodal à faible latence de la génération 2.0 de Google

Gemini 2.5 Flash Le palier Gemini de Google, à faible latence et peu coûteux

Gemini 2.5 Pro La sortie Gemini de Google en 2025, centrée sur le raisonnement

Gemini 3 Pro Le modèle multimodal phare de Google, avec une fenêtre de contexte de 1 million de tokens

Gemini 3.5 Pro Le modèle frontier de nouvelle génération de Google, annoncé mais pas encore pleinement publié

GPT-4o Le modèle omni d'OpenAI, nativement multimodal sur le texte, l'image et l'audio

GPT-4o mini Le petit modèle multimodal d'OpenAI, pensé pour limiter le coût

GPT-4o Realtime Variante parole vers parole de GPT-4o, à faible latence, pour la voix en direct

GPT-5 La famille unifiée de modèles de raisonnement et de chat d'OpenAI

GPT-5.6 Sol Le modèle phare d'OpenAI pour le raisonnement avancé en maths, sciences et cybersécurité

Granite Vision Modèle vision-langage compact d'IBM pour la lecture de documents et de graphiques

Grok-1.5V Premier modèle Grok de xAI capable de vision, annoncé en aperçu avant une sortie plus large

Grok-2 Modèle de xAI de 2024, qui a ajouté la génération d'images native

HyperCLOVA X Vision Extension multimodale de HyperCLOVA X par Naver, pour la compréhension d'images

IDEFICS2 Modèle vision-langage ouvert de Hugging Face, conçu pour les questions sur documents et graphiques

InternVL2 Famille ouverte de modèles vision-langage du Shanghai AI Lab, au niveau des modèles multimodaux propriétaires

Kimi-VL Modèle vision-langage à poids ouverts de Moonshot

Kosmos-2 Modèle multimodal ancré de Microsoft, qui relie le langage à des régions précises de l'image

Llama 3.2 Première génération Llama de Meta avec des paliers vision et pour l'appareil

Llama 4 Maverick Modèle phare multimodal à mélange d'experts et à poids ouverts de Meta

Llama 4 Scout Palier Llama 4 plus petit et plus rapide de Meta, avec une fenêtre de contexte de 10 millions de tokens

MiniCPM-V Modèle multimodal pour l'edge d'OpenBMB, capable de tâches de vision au niveau de GPT-4V sur un téléphone

MiniMax M3 Premier modèle à poids ouverts qui combine un code de niveau frontière, un contexte d'un million de tokens et une multimodalité native

PaLI Le modèle vision-langage à grande échelle de Google, pour le légendage, le VQA et les tâches multilingues

PaLM-E Le modèle multimodal incarné de Google, qui relie le langage aux capteurs et aux actions d'un robot

Phi-3-vision Le membre multimodal de la famille Phi-3, pour le raisonnement sur images sur l'appareil

Pixtral 12B Le premier modèle multimodal de Mistral, plus petit que Pixtral Large

Pixtral Large Le modèle vision-langage phare de Mistral

Qwen-VL Le premier modèle vision-langage de la famille Qwen, chez Alibaba

Qwen2.5-VL Le modèle vision-langage à poids ouverts d'Alibaba

Reka Core Le modèle de fondation multimodal phare de Reka

Reka Flash Le modèle multimodal de milieu de gamme de Reka, le plus économe

SenseNova 5.0 Le modèle SenseNova multimodal phare de SenseTime, avant la mise à jour 5.5

SenseNova 5.5 Le modèle de fondation multimodal phare de SenseTime

Titan Multimodal Embeddings Le modèle d'embeddings de Bedrock, chez Amazon, pour la recherche conjointe de texte et d'images

Yi-VL-34B Le modèle vision-langage à poids ouverts de 01.AI, construit sur Yi-34B

ZOOOP ZOOOP est une plateforme créative née avec l'IA pour générer des images, de la …

Minimax MiniMax est une entreprise chinoise d'IA, avec des modèles de fondation pour la …

Gemini Advanced L'assistant d'IA le plus capable de Google, avec Gemini Ultra

Google AI Studio Le terrain de jeu gratuit de Google pour les modèles Gemini

Aleph Alpha Modèles d'IA souveraine européens pour les entreprises et le secteur public

Jina AI Infrastructure d'IA multimodale pour la recherche et les embeddings

LanceDB Base de données vectorielle open source, optimisée pour l'IA multimodale

Marqo Moteur de recherche vectorielle open source avec support multimodal

Reka AI Modèles d'IA multimodaux pour comprendre texte, image et vidéo

Weaviate Base vectorielle open source avec recherche hybride et IA multimodale