マルチモーダルのすべてのツール(69件)
UI-TARS-desktopByteDance のオープンソース視覚マルチモーダルエージェントスタック。人間のように PC とブラウザを操作し、Ag…
MiniMaxHailuo と 2026 年の M3 / H3 コーディングモデルを出す上海の研究所。TalkAPI の M3 は 1…
NotebookLMGoogle のソース接地型リサーチノート。いまは notebook.google の Gemini Notebook。…
ToAPIsOpenAI互換のAI APIゲートウェイ。1つのBase URLとAPIキーでGPT・Claude・Gemini・De…
VisorRay-Ban Meta Gen 2 向けの独立 Android クライアント。アシスタント要求を Claude または…
Veo 3Google DeepMind の Veo 動画モデル。公式はいま Veo 3.1 として提示し、ネイティブ音声付きのシ…
DoubaoByteDance のコンシューマー AI アシスタント。チャット、執筆、プログラミングに加え、アプリ内で Seedan…
TRAEByteDance の AI IDE。継続月額は Lite $3、Pro $10、Pro+ $30、Ultra $100…
DigUpEmbeddingGemma 2 で画像、文書、音声、動画、コードを意味から探せる、プライベートなオープンソースのデスク…
YouMindYouMindは保存した記事・動画・メモを文章・スライド・画像・ウェブ・動画に変えるAI創作スタジオで、有料Skills…
Agnes-3.0-FlashAgnes-3.0-Flash Preview は Apache-2.0 の 33B マルチモーダル公開重みで、コンテキ…
LensVLM-9BApple が公開した 9B の視覚言語モデル。文書を圧縮画像として読み、本当に関係するページだけを展開します。4.3…
cogvlm-base-490-hfcogvlm-base-490-hf は Z.ai(旧 THUDM)が公開するオープンな CogVLM-17B の視覚言…
DeepSeek-V4.1-FlashDeepSeek-V4.1-Flash は MIT の 552B マルチモーダル MoE で、プリフィル 8B・デコード…
DeepSeek-V4-Flash-Vision-ExpDeepSeek-V4-Flash-Vision-Exp は V4 初のマルチモーダル実験。Flash に視覚モジュール…
deepseek-vl-7b-baseDeepSeek-VL-7B-Base はオープンな 7B 視覚言語モデルで、SigLIP-L と SAM-B の混合エ…
FLUX 3Black Forest Labs のマルチモーダルモデル。動画、音声、近日公開の画像、アクション予測に対応し、最大 2…
Gemma 4 26B A4BGoogle DeepMind のオープンウェイトモデル。総パラメータ 25.2B の MoE で 1 トークンあたり…
GLM-5.3-Flash智譜(Z.ai)GLM-5 シリーズ初のネイティブ・マルチモーダルモデル(匿名モデル「Ox Alpha」と判明):320…
Google: Gemini 2.0 FlashGemini 2.0 Flash は 2026 年 6 月 1 日に Gemini API で停止しました。入力上限は…
Google: Gemini 3.1 Flash-LiteGemini 3.1 Flash-Lite(gemini-3.1-flash-lite)は Google の安定版モデル…
Google: Gemini 3.1 Flash LiveGemini 3.1 Flash Live(gemini-3.1-flash-live-preview)はレガシーの音声…
Google: Gemini 3.1 ProGemini 3.1 Pro Preview(gemini-3.1-pro-preview)は Google が 202…
Google: Gemini 3.5 Flash-LiteGemini 3.5 Flash-Lite(モデル ID gemini-3.5-flash-lite)は Google…
Google: Gemini 3.5 Flashアクション志向の Google 最前線モデル:エージェントとコーディング向けに設計され、100万トークンのコンテキストと…
Google: Gemini 3.6 FlashGemini 3.6 Flash(gemini-3.6-flash)は Google の安定版・前世代 Flash モデ…
Google: Gemini 3.7 Flashエージェントワークフローとマルチモーダル推論向けの Google 最強 Flash モデル。100万トークンコンテキスト…
Google: Gemini 3 FlashGoogleの最新フロンティアモデル。前例のない速度とコスト効率で画期的なインテリジェンスを提供。Google: Gem…
Google: Gemini 3 ProGemini 3 Pro Preview(gemini-3-pro-preview)は 2025 年 11 月 18 日…
Google: Gemini 4 NeonGoogle Gemini 4 Neon は、コーディング、分析、企業ワークフロー向けの、100 万トークンのコンテキス…
Google: Gemini Omni FlashGemini Omni 1.2 Flash は Google の動画生成・編集モデルで、ネイティブ音声、15秒クリップ、…
GPT Image 2OpenAI 最新の画像生成モデル。高速で高品質な生成と編集に対応し、最大 4K の柔軟なサイズとトークン課金 API…
Grok 4.6SpaceXAI の最先端 1.5T パラメータ推論モデル。50 万トークンのコンテキストとエージェント的なコーディング…
GrokxAI / SpaceXAI の Grok 家族。現行ドキュメントの旗艦は grok-4.6。50 万トークン文脈、$2…
Jina Embeddings v4Jina Embeddings v4 は40億パラメータのマルチモーダル・多言語埋め込みモデル。テキスト、画像、視覚文書…
Kimi K3Moonshot AI のオープンウェイト 2.8T パラメータ多モーダルエージェントモデル。1M トークンのコンテキス…
Ling-3.0-flash-VLLing-3.0-flash-VL は inclusionAI の MIT マルチモーダル MoE。総パラメータ 124…
Liquid d1-3B校正された分類とエッジ向け画像・テキストワークフローに使う Liquid AI の 3B マルチモーダル意思決定モデル。
llava-v1.6-34b-hfllava-v1.6-34b-hf は LLaVA-NeXT 34B の Hugging Face Transforme…
Meta Llama 3.2 Vision2024年Llama 3.2視覚スナップショット。再確認:llama.comは今Llama 4が先頭。2026年の既定マ…
MiMo-V2.6Xiaomi の MiMo-V2.6 オープンウェイトシリーズ。旗艦 Pro は総 1.02T・活性 42B のスパース…
MiniMax H3MiniMax が 2026 年 7 月 31 日に出したオープン寄りのマルチモーダル動画モデル。テキスト/画像/動画/…
MiniMax M3MiniMax の 2026 年 6 月 1 日オープンウェイト級フラッグシップ。MSA による 100 万トークン文脈…
Mistral Large 4Mistral Large 4 はコーディング、推論、自前ホストのAgentワークロード向けのオープンウェイトなマルチモ…
Mistral OCR 4.1Mistral OCR 4.1 は Mistral が2026年7月16日に公開した GA の文書 OCR。段落単位のバ…
Mistral Pixtral 12B2024年Mistral 12B視覚スナップショット。再確認:現行カタログはMedium 3.5 / Small 4 /…
Mistral Shieldstral 1.0Mistral Shieldstral 1.0 は、テキストと画像向けのコンパクトなマルチモーダル安全性分類モデル。Mi…
Muse Spark OpenMeta のコード・エージェント向けオープンウェイト多モーダル MoE。総 8160 億、アクティブ 420 億パラメー…
Nex-N2.5-miniNex-N2.5-mini は Nex-AGI の Apache-2.0 マルチモーダルエージェントモデル。コンピュータ…
Nex-N2.5-ProNex-N2.5-Pro は Nex-AGI の Apache-2.0 マルチモーダルエージェントチェックポイント。コン…
OpenAI: GPT-4o-miniGPT-4o mini(gpt-4o-mini-2024-07-18)は 128K コンテキストで価格は 0.15/0.…
OpenAI: GPT-4oGPT-4o(gpt-4o)は OpenAI のマルチモーダルモデルで、100 万トークン $2.50/$10、128K…
Qwen-Drive-1.0-4BQwen-Drive-1.0-4B は 3D 知覚、VQA、運動計画をまとめる Alibaba の Apache-2.0…
Qwen-Image-2.1Qwen-Image-2.1 は Alibaba の 7B オープンウェイトモデルで、生成と編集を 1 つに統合し、ネイ…
Qwen-VLQwen-VL は Alibaba Cloud が 2023 年に公開した Qwen-7B ベースの視覚言語モデルで、画…
Qwen2-VL 72B InstructQwen2-VL-72B-Instruct はアリババの 72B 視覚言語モデルで、動的な画像解像度と 20 分超の動画…
Qwen3.8-2.4T-A95BAlibaba のフラッグシップ 2.4T MoE モデル。活性化パラメータ 95B、1M トークンのコンテキスト、ネイ…
Qwen3.8-27BAlibaba のオープンウェイト 27B デンスモデル。Qwen3.8-Max のコンパニオンとして Apache 2…
Qwen3.8-Flash-NextAlibaba(通義千問)による Qwen4 アーキテクチャの先行公開:125B のマルチモーダル MoE、トークンごと…
Qwen3.8-MaxAlibabaの2.4Tパラメータのオープンウェイト最上位モデル:95BアクティブのMoE、テキスト/画像/動画入力、1…
Qwen3.8-Omni-FlashQwen3.8-Omni-Flash は Alibaba の全モーダル・エージェントモデル。100 万トークン文脈、テキ…
Qwen3-VL-EmbeddingQwen3-VL-Embedding は Qwen の Apache-2.0 マルチモーダル埋め込みファミリー(2B・8…
Qwen3-VL-RerankerQwen3-VL-Reranker は Alibaba Qwen の Apache 2.0 マルチモーダルリランカー。2…
Realtime-VenusRealtime-Venus は Apache 2.0 の 9B 全二重オーディオビジュアルモデル。聞きながら話し、割り…
Seedance 2.5ByteDance Seed の音声付き動画モデル。30 秒ストーリー、精密な参照制御、2 回の延長、グリーンスクリーン…
Swift-Qwen3.8-27BSwift-Qwen3.8-27B は UkisAI による Qwen3.8-27B の推論効率化ファインチューンで、思…
Ternary Bonsai 2Ternary Bonsai 2 は 27B の Qwen3.8 三値 GGUF。モデルカードは 5.95 GB で F…
WeMM-EmbeddingTencent WeChat Visionチームの汎用マルチモーダル埋め込みモデル群(2B/4B/9B)、Qwen3.5…
YuE2-3BYuE2-3B は M·A·P の CC BY-NC 音楽モデルで、編集可能なスコアを計画してからボーカルと伴奏をローカ…
すべてのタグ
A2AプロトコルAIアシスタントAIエージェントAIコンテンツAI検索AI決済AlibabaAnthropicAPIAWSBAAIBlack Forest LabsByteDanceClaudeClaude CodeCLICloudflareCodexCohereCursorDeepgramDeepSeekElevenLabsFLUXGeminiGemmaGitGoGoogleGPTGPUGrokHugging FaceIBMJina AIKimiLangChainLangGraphLinuxLlamamacOSMarkdownMCPMetaMicrosoftMiniMaxMistralMixedbread AIMoEMoonshot AINous ResearchNVIDIAObsidianOpenAIOpenClawOpenCodeOpenHandsOpenRouterPerplexityPythonQwenRAGReplitRustStability AITencentTypeScriptVoyage AIxAIZhipu AIエージェントウォレットエージェントオーケストレーションエージェントフレームワークエージェントランタイムエンタープライズエンベディングオープンウェイトオープンソースクラウドコーディングエージェントコードアシスタントコードレビューコード品質コミュニケーションコンピューター操作サンドボックスステーブルコインスプレッドシートセキュリティセルフホストソーシャルメディアチャットボットデータサイエンスデータベースデータ可視化ディープリサーチデザインテストデバッグデプロイドキュメントドキュメント処理ナレッジベースノーコード/ローコードファインチューニングプライバシーブラウザ自動化プレゼンテーションプロジェクト管理プロトコルフロンティアモデルベクトルデータベースマルチエージェントマルチモーダル
マルチモーダル にタグ付けされた項目 (69 個)
Month Visit20000000DR: 90AS: 95
Month Visit20000000DR: 90AS: 95
ByteDance のコンシューマー AI アシスタント。チャット、執筆、プログラミングに加え、アプリ内で Seedance 動画を提供。公式トップはログイン後 Seedance 2.0 無料と案内。
Month Visit15700000DR: 72AS: 58
Month Visit15000000DR: 95AS: 98
Month Visit12000000DR: 88AS: 90
Month Visit12000000DR: 88AS: 90
Month Visit4800000DR: 95AS: 80
Month Visit2500000DR: 70AS: 60
Mistral OCR 4.1 は Mistral が2026年7月16日に公開した GA の文書 OCR。段落単位のバウンディングボックス、ブロックラベル、信頼度に対応し、1,000ページ$4です。
Month Visit800000DR: 90AS: 88
Mistral Shieldstral 1.0 は、テキストと画像向けのコンパクトなマルチモーダル安全性分類モデル。Ministral 3 3B をベースに Apache 2.0 で公開されています。
Month Visit800000DR: 90AS: 88
Month Visit800000DR: 78AS: 82
Month Visit500000DR: 65AS: 70
Month Visit150000DR: 60AS: 55
Month Visit1500DR: 95AS: 92
cogvlm-base-490-hf は Z.ai(旧 THUDM)が公開するオープンな CogVLM-17B の視覚言語モデルで、ビジュアルエキスパートを備え、コードは Apache-2.0 です。
Month Visit100DR: 100AS: 100
Month Visit100DR: 100AS: 100
Month Visit100DR: 100AS: 100
Month Visit100DR: 100AS: 100
Month Visit100DR: 100AS: 100
Month Visit800DR: 88AS: 85
Month Visit198DR: 93AS: 87
Month Visit215DR: 92AS: 87
Month Visit249DR: 87AS: 92