#
Multimodal
このタグのAIツール Multimodal.
Gemini Omni Flash
GoogleのOmniファミリー最初のモデル。推論と動画生成を組み合わせる
GPT-6.1 Sol
エージェント型コーディングやコンピューター操作向けにGPT-6 Solを強化
EmbeddingGemma 2
EmbeddingGemma 2は、テキスト、コード、画像、動画、音声を1つの埋め込み空間にまとめる
Gemini Robotics ER 2
Gemini Robotics ER 2はロボット向けの推論モデルで、2026年10月27日にGoogle Cloudで公開プレビューとなり、企業向けツールが付く
GPT-6.1 Terra
視覚的推論とコンピューター操作に対応した、GPT-6ファミリーの高速・高効率モデル
LFM3
共通の基盤を持つLiquid AIの新モデルシリーズ
Muse Spark Open
総816B、アクティブ42Bのパラメータと100万トークンのコンテキストを備えるMetaのネイティブなマルチモーダルMoEモデル
Muse Wonder
長時間のタスクでActive MemoryとActive Focusを使うエージェントモデル
Nemotron 3.5 Super VL
マルチモーダルなエージェント処理向けに、NVIDIAが公開したSuper VLと74B-A9B Bolt版
RynnUnify
計画立案向けに推論器と動画生成器を組み合わせたAlibaba DAMOの16Bモデル
GLM-5.3-FlashX
GLM-5.3-Flashの高速配信版
Qwen3.8-Omni-Flash
テキスト、画像、音声、動画を扱うAlibabaのオムニモデル
Xiaomi MiMo-V2.6-Pro
推論高速版を備えたXiaomiのオープンソース主力モデル
DeepSeek-V4.1-Flash
V4-Flashの後継にあたる、より安く、視覚入力に対応し、ピーク時に価格が変わるDeepSeekのモデル
Fugu Ultra v2
Sakana AIのフラッグシップのモデルオーケストレーションシステム。視覚的推論向けに調整
Gemini 3.8 Flash
エージェント処理が向上した、3.7 Flashの3週間後に登場した後継モデル
Gemini 3.8 Live
本番環境の音声エージェント向けリアルタイム音声対音声モデル
Kimi K2.8 Preview
主力Kimi K3との差を縮めるMoonshotの中位モデル
GPT-6 Astra
ループ型の「recurrent depth」技術で推論するOpenAIの最新フラッグシップ
Muse Glimmer
Muse Sparkを蒸留したMetaのオープンな端末上エージェントモデル
Qwen3.8-Flash-Next
次世代Qwen4アーキテクチャを先行公開するAlibabaのオープンウェイト・プレビュー
DeepSeek-V4-Flash-Vision-Exp
文書やグラフの理解に向けた、DeepSeekのV4-Flashの実験的なマルチモーダル版
GLM-5.3-Flash
「Ox Alpha」の名で話題になったあとに正体が明かされた、Zhipu初のネイティブマルチモーダルなGLM-5モデル
Gemini 3.7 Flash
3.6 Flashの3週間後に登場し、出力料金を下げたGoogleの後継モデル
Qwen3.8-27B
単体のローカルGPUで動くサイズのAlibabaオープンウェイト・マルチモーダルモデル
FLUX 3
Black Forest Labs初の、画像・動画・音声を1つのアーキテクチャにまとめた統合モデル
Gemini 3.5 Flash-Lite
大量処理の自動化向けに設計された、Gemini 3.5で最も低価格のモデル
Gemini 3.6 Flash
コーディングとエージェント処理で3.5 Flashより安く速い、Googleの新しい標準Flashモデル
GPT-Live-1
聞きながら同時に話すOpenAIの全二重音声モデル
Kimi K3
公開済みモデルで最大とMoonshotが主張する、2.8兆パラメータのオープンウェイトモデル
Qwen3.8-Max
2.4兆パラメータのマルチモーダル主力モデル。Alibaba最大・最高性能のQwen
Gemini 3 Flash
Gemini 3 Proの推論を、低コスト・低遅延のFlashティアで実現
Gemini 3.1 Pro
一般提供されているGemini 3 Proの後継モデル
Gemini 3.5 Flash
競合する最先端モデルより約4倍速い、Googleの標準Flashモデル
Inkling
Mira MuratiのThinking Machines Labが初めて公開したオープンウェイトモデル
Kimi K2.5
サブエージェント群を連携させるMoonshotのK2ネイティブマルチモーダルモデル
Amazon Nova 2 Pro
Amazonの第2世代のフラッグシップBedrockモデル
Llama 5
端末上とデータセンターの双方を想定したMeta次世代の主力オープンウェイト・マルチモーダルモデル
Qwen4-Max
Qwen APIとクラウドプラットフォーム向けAlibabaの主力非公開モデル
Runway Gen-5
長く制御しやすいショット向けに設計されたRunwayの最新動画モデル
Gemini Pro
画像の作業に向いた、Googleの中位マルチモーダルモデル
Qwen Studio
Qwenモデルで動くマルチモーダルAIアシスタント
Amazon Nova Lite
Amazonの低コストなマルチモーダルBedrockモデルのティア
Amazon Nova Premier
複雑な多段階タスク向けの、Novaで最も高性能なティア
Amazon Nova Pro
Bedrock上のAmazonのフラッグシップ・マルチモーダル基盤モデル
BLIP
キャプション生成と検索のための、Salesforceの視覚言語の事前学習モデル
BLIP-2
Salesforceによる、BLIPのより効率的な後継。固定したエンコーダから視覚言語の事前学習を立ち上げる
Chameleon
テキストと画像のトークンをそのまま混ぜて扱う、Metaのアーリーフュージョンモデル
CLIP
現代のマルチモーダルAIの多くの土台となった、OpenAIの基礎的な画像とテキストの対照学習モデル
Cohere Embed v4
テキスト、画像、混在した文書に対応する、Cohereの最新のマルチモーダルエンベディングモデル
DeepSeek-VL
DeepSeek-VL2の前に出た、DeepSeek初の視覚言語モデル
DeepSeek-VL2
DeepSeekのオープンウェイトの、視覚言語向けMixture-of-Expertsモデル
Doubao 1.5 Pro
ByteDanceのアシスタントDoubaoを支える、同社のフラッグシップ基盤モデル
Doubao Vision
画像と文書の理解に向けた、ByteDanceのマルチモーダルなDoubaoの階層
Doubao-Seed 1.6
ByteDanceの基盤モデルDoubaoの、推論向けに調整された階層
Emu3
テキスト、画像、動画の生成と理解を、次トークン予測で1つにまとめたBAAIのモデル
ERNIE 4.5
Baiduのフラッグシップのマルチモーダル基盤モデル
Falcon 2
TIIのFalcon世代でFalcon 180BとFalcon 3の間。視覚言語版が加わった
Flamingo
DeepMindの視覚言語モデル。少数ショットでのマルチモーダル推論の先駆け
Florence-2
Microsoftのコンパクトな視覚基盤モデル。キャプション生成、検出、セグメンテーションを1つで扱う
Fuyu-8B
Adeptのオープンウェイトのマルチモーダルモデル。デジタルエージェントの知覚向けに作られた
Gato
テキスト、画像、ロボット制御にまたがって学習した、DeepMindの単一の汎用エージェント
Gemini 1.0 Pro
Googleの最初のGeminiの世代で中位のモデル
Gemini 1.0 Ultra
Googleの最初のGemini世代のフラッグシップ。2024年の初めに公開
Gemini 1.5 Flash
Googleの速くて低コストなGemini 1.5の階層。Gemini 1.5 Proから蒸留
Gemini 1.5 Pro
100万トークンのコンテキスト長を打ち出した、Googleの2024年のモデル
Gemini 2.0 Flash
Googleの低遅延な2.0世代のマルチモーダルモデル
Gemini 2.5 Flash
Googleの低遅延・低コストなGeminiモデル
Gemini 2.5 Pro
Googleが2025年に公開した推論重視のGeminiモデル
Gemini 3 Pro
100万トークンのコンテキスト長を備えたGoogleの主力マルチモーダルモデル
Gemini 3.5 Pro
発表済みだが、まだ一般提供されていない次世代最先端モデル
GPT-4o
テキスト、画像、音声をネイティブに扱うOpenAIのオムニモデル
GPT-4o mini
小型で低コストなOpenAIのマルチモーダルモデル
GPT-4o Realtime
ライブ音声会話向けの低遅延なGPT-4o音声対音声モデル
GPT-5
OpenAIの推論・チャット統合モデルファミリー
GPT-5.6 Sol
高度な数学、科学、サイバーセキュリティの推論向けOpenAI主力モデル
Granite Vision
文書や図表の理解に向けたIBMの小型視覚言語モデル
Grok-1.5V
一般公開に先立つプレビューとして発表された、xAI初の視覚対応Grokモデル
Grok-2
ネイティブ画像生成を追加したxAIの2024年モデル
HyperCLOVA X Vision
韓国語に強いHyperCLOVA Xに画像理解を加えたNaverのマルチモーダルモデル
IDEFICS2
文書や図表への質問応答向けに開発されたHugging Faceのオープン視覚言語モデル
InternVL2
独自のマルチモーダルモデルと競うShanghai AI Labのオープン視覚言語モデル群
Kimi-VL
Moonshotのオープンウェイト視覚言語モデル
Kosmos-2
言語表現を画像内の具体的な領域に対応付けるMicrosoftのグラウンディング対応マルチモーダルモデル
Llama 3.2
視覚対応モデルと端末内向けモデルを初めて加えたMetaのLlama世代
Llama 4 Maverick
Metaの主力オープンウェイト・マルチモーダル混合エキスパートモデル
Llama 4 Scout
1,000万トークンのコンテキスト長を備えたMeta Llama 4の小型・高速モデル
MiniCPM-V
スマートフォンでGPT-4V級の視覚タスクに対応するOpenBMBのマルチモーダル・エッジモデル
MiniMax M3
最先端コーディング、100万トークンのコンテキスト、ネイティブなマルチモーダル機能を初めて備えたオープンウェイトモデル
PaLI
キャプション、VQA、多言語タスク向けに拡張したGoogleの視覚言語モデル
PaLM-E
言語とロボットのセンサー・動作をつなぐGoogleの身体性マルチモーダルモデル
Phi-3-vision
端末上の画像推論に対応するPhi-3ファミリーのマルチモーダルモデル
Pixtral 12B
Pixtral Largeより小型のMistral初のマルチモーダルモデル
Pixtral Large
Mistralの主力視覚言語モデル
Qwen-VL
Qwenファミリー初のAlibaba視覚言語モデル
Qwen2.5-VL
Alibabaのオープンウェイト視覚言語モデル
Reka Core
Rekaの主力マルチモーダル基盤モデル
Reka Flash
効率性を重視したReka中位マルチモーダルモデル
SenseNova 5.0
5.5更新版に先立つSenseTime主力のマルチモーダルSenseNovaモデル
SenseNova 5.5
SenseTimeの主力マルチモーダル基盤モデル
Titan Multimodal Embeddings
テキストと画像を組み合わせた検索に対応するAmazon Bedrock埋め込みモデル
Yi-VL-34B
Yi-34Bを基盤にした01.AIのオープンウェイト視覚言語モデル
ZOOOP
ZOOOPは、無限のキャンバス上で画像、動画、音声を生成するAIネイティブのクリエイティブプラットフォームです。チームでの共同作業と、AIエージェントからの操作 …
Minimax
MiniMaxは中国のAI企業で、動画生成、画像生成、音声、マルチモーダルの基盤モデルを、一般向けアプリと開発者向けAPIで提供しています。同社の動画モデル …
Gemini Advanced
Gemini Ultra付きの、Googleでいちばん能力の高いAIアシスタント
Google AI Studio
Geminiモデルを試す、Googleの無料の開発者向けプレイグラウンド
Aleph Alpha
企業と政府向けの、欧州のソブリンAIモデル
Jina AI
検索と埋め込みのためのマルチモーダルAIインフラ
LanceDB
マルチモーダルAI向けに最適化されたオープンソースのベクトルデータベース
Marqo
マルチモーダルに対応したオープンソースのベクトル検索エンジン
Reka AI
テキスト、画像、動画を理解するマルチモーダルAIモデル
Weaviate
ハイブリッド検索とマルチモーダルAIに対応するオープンソースのベクトルデータベース