Мультимодальные Vision-модели

Для анализа изображений смотрите MMMU Pro, MathVision и документные тесты. Отдельно проверяйте точность OCR, пространственное понимание и способность модели ссылаться на конкретные элементы изображения. Телеграм-бот fLLMs мониторит бесплатные API-ключи в роутерах.

Обновлено 22 июля 2026 · Методология и источники

Модели, принимающие изображения, схемы, графики, скриншоты и документы на вход.

Найдено: 79 моделейСтраница 3 из 4

* Продукт компании Meta Platforms Inc., деятельность которой признана экстремистской и запрещена на территории Российской Федерации.

Назад 1 2 3 4 Вперёд

Как выбрать модель

Вопросы и ответы

Нет. Многие мультимодальные модели только принимают изображения, но отвечают текстом.

Ориентируйтесь на ScreenSpot Pro, OSWorld и AndroidWorld, затем проверяйте точность локализации элементов на вашем UI.

Да, но точность зависит от разрешения, подписей и пространственного reasoning; полезны MMMU Pro, MathVision и CharXiv.

Мультимодальные Vision-модели

Модели: Понимание изображений

UI-TARS 7B

ERNIE 4.5 VL 424B A47B

Mistral Small 3.2 24B

Mistral Medium 3

Spotlight

Llama Guard 4 12B

Llama 4 Scout

Llama 4 Maverick

Mistral Small 3.1 24B

Gemma 3 12B (free)

Gemma 3 4B

Gemma 3 4B (free)

Gemma 3 12B

GigaChat 2 Max

GigaChat 2 Pro

Gemma 3 27B (free)

Gemma 3 27B

Sonar Reasoning Pro

Sonar Pro

Qwen VL Plus

Qwen2.5 VL 72B Instruct

Qwen VL Max

Sonar

MiniMax-01

Как выбрать модель

Вопросы и ответы

Мультимодальные Vision-модели

Модели: Понимание изображений

UI-TARS 7B

ERNIE 4.5 VL 424B A47B

Mistral Small 3.2 24B

Mistral Medium 3

Spotlight

Llama Guard 4 12B

Llama 4 Scout

Llama 4 Maverick

Mistral Small 3.1 24B

Gemma 3 12B (free)

Gemma 3 4B

Gemma 3 4B (free)

Gemma 3 12B

GigaChat 2 Max

GigaChat 2 Pro

Gemma 3 27B (free)

Gemma 3 27B

Sonar Reasoning Pro

Sonar Pro

Qwen VL Plus

Qwen2.5 VL 72B Instruct

Qwen VL Max

Sonar

MiniMax-01