Soumettre un outil
#

Vision

Outils d'IA avec l'étiquette Vision.

27 outils · choisis à la main
// prix
modlens Un plugin de vision qui donne aux agents de programmation limités au texte des preuves d'image structurées.
DeepSeek-V4-Flash-Vision-Exp La variante multimodale expérimentale de V4-Flash, pour la lecture de documents et de graphiques
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
CLIP Modèle contrastif image-texte fondateur d'OpenAI, derrière une grande partie de l'IA multimodale actuelle
CLIP (LAION variant) Réentraînement à poids ouverts de CLIP par LAION, modèle d'embeddings vision-langage
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 Vision Le palier multimodal Doubao de ByteDance, pour la compréhension d'images et de documents
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
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
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
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
PaLI Le modèle vision-langage à grande échelle de Google, pour le légendage, le VQA et les tâches multilingues
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
Yi-VL-34B Le modèle vision-langage à poids ouverts de 01.AI, construit sur Yi-34B