Los mejores modelos multimodales de código abierto en 2026 (imágenes, vídeo y audio)
Casi todos los nuevos buques insignia abiertos de este sitio leen imágenes, y muchos aceptan también vídeo o audio. Esta lista reúne los modelos abiertos para los que eso es la función principal, del tamaño de un móvil al de un servidor, y muestra qué licencias te permiten lanzarlos.
-
Gemma 4 EN
La familia Apache 2.0 de Google, desde el E2B del tamaño de un móvil hasta un buque insignia de 31B. Acepta texto, imágenes, vídeo y audio, y ofrece razonamiento y uso de herramientas.
-
Qwen3.8-27B EN
Un modelo denso de 27B bajo Apache 2.0 que lee imágenes y vídeo, razona paso a paso y cabe en una sola GPU.
-
Qwen3.6 EN
La pareja Qwen3.6 de Alibaba bajo Apache 2.0: un modelo de mezcla de expertos de 35B con 3B activos y un modelo denso de 27B; ambos aceptan imagen y vídeo y están afinados para programación con agentes.
-
Qwen3.5 EN
La familia Apache 2.0 de Alibaba va de 0.8B a 397B, con entrada de imagen y vídeo, 201 idiomas y un contexto de 256K.
-
MiniCPM-V 4.7 EN
Los modelos para móvil de OpenBMB bajo Apache 2.0: una mezcla de expertos 35B-A3B y un modelo de 1B, ambos con imágenes y vídeo.
-
MiniCPM-o 4.5 EN
El modelo de 9B de OpenBMB bajo Apache 2.0 ve, escucha y habla a la vez. Acepta vídeo y audio en directo mientras responde en texto y voz en inglés o chino, y OpenBMB cifra 11 GB de memoria de GPU en int4.
-
Mage-VL EN
El modelo visión-lenguaje de 4B de Microsoft bajo Apache 2.0 lee el vídeo como un códec, recorta más del 75% de los tokens visuales y trae una compuerta para directos. En las tablas de Microsoft supera a Qwen3-VL-4B en la mayoría de las pruebas de vídeo y espaciales.
-
LocateAnything-3B EN
El modelo de 3B de NVIDIA responde con cajas y puntos la posición de objetos, elementos de interfaz y texto, a 12,7 cajas por segundo en una H100 según la medición de NVIDIA. La licencia es solo de investigación.
-
Ternary Bonsai 2 EN
Los modelos visión-lenguaje de PrismML con pesos ternarios: de un modelo de 2B en 0,43 GB a uno de clase 27B en 5,95 GB, bajo Apache 2.0. Aceptan imágenes y texto.
-
SenseNova-Loop-9B-Preview EN
La vista previa visión-lenguaje en bucle de 9B de SenseTime bajo Apache 2.0: las capas 4 a 27 se ejecutan dos veces, con entrada de texto e imagen y contexto de 256K. Requiere código propio y sus puntuaciones publicadas son dispares frente a Qwen3.5-27B.
-
Muse Glimmer EN
El modelo multimodal denso de 30B de Meta para agentes locales: destilado de Muse Spark, bajo Apache 2.0 y cuantizado para caber en una GPU de 24 GB.
-
GLM-5.3-Flash EN
El GLM multimodal bajo licencia MIT: 320B totales y 18B activos, entrada de imágenes y vídeo, un contexto de 1M y un diseño pensado para servir contextos largos a bajo costo.
-
Step 3.7 Flash EN
La mezcla de expertos visión-lenguaje de 198B de StepFun bajo Apache 2.0: 11B de parámetros activos, un contexto de 256K y un codificador de visión de 1.8B. Va dirigida a agentes que leen capturas, gráficos y documentos, y un GGUF de 111.5 GB cabe en un Mac o mini PC de 128 GB.
-
Step 5 Preview EN
La mezcla de expertos de 600B de StepFun con contexto de 1M y entrada de imagen, para agentes que analizan informes largos, gráficos y capturas. La ficha del modelo menciona también vídeo, pero su especificación solo lista texto e imagen, y la licencia propia incluye condiciones de hardware y alojamiento.
-
MiMo-V2.6 EN
Los modelos omnimodales para agentes de Xiaomi: un Pro de 1T, un Flash de 310B y un checkpoint de investigación de 9B, con un contexto de 1M. La licencia aparece etiquetada como MIT.
-
Nemotron 3 Nano Omni EN
La mezcla de expertos de 31B de NVIDIA con 3B activos acepta vídeo, audio, imágenes y texto con un contexto de 256K. Es solo en inglés, responde en texto y funciona en una RTX 5090 de 32 GB en NVFP4.
-
Qwen3-Omni EN
La mezcla de expertos de 30B de Alibaba con 3B activos lee texto, imágenes, audio y vídeo y puede responder en texto o voz en 10 idiomas. Apache 2.0, pero Alibaba indica unos 79 GB en BF16 para un clip de 15 segundos.
-
Muse Spark Open EN
La mezcla de expertos de 816B de Meta con 42B activos y un contexto de 1M acepta texto, imagen, vídeo y audio. Usa la licencia Muse propia de Meta: léela antes del uso comercial.
-
Apertus 1.5 EN
Los modelos 8B y 70B totalmente abiertos de Swiss AI bajo Apache 2.0 leen imágenes y audio además de texto, con un contexto de 262K. Responden solo en texto y la comprensión de audio es experimental.
-
LongCat-2.5 Más reciente EN
La mezcla de expertos de 1.6T de Meituan bajo licencia MIT, con 48B de parámetros activos, acepta texto, imágenes y vídeo con un contexto de 1M de tokens. El despliegue solo está documentado para servidores NPU.
-
LFM3 EN
La familia de Liquid AI incluye un modelo de texto de 1.7B con contexto de 256K que cabe en 1 GB, además de hermanos de visión, audio y omni. La LFM Open License solo permite el uso comercial con menos de 10 millones de USD de ingresos anuales.
-
Mirage EN
El modelo de visión de 51M de Cactus Compute bajo Apache 2.0 ocupa un archivo de 22 MB: describe una foto, encuentra objetos, lee texto y rellena formularios en 74 ms en la NPU de un Galaxy S26. No es un modelo de chat y su entrada de lanzamiento no da benchmarks de precisión estándar.
Cómo elegimos
- Modelos que aceptan imágenes, vídeo o audio como entrada, con pesos abiertos que puedes descargar hoy mismo.
- Solo versiones actuales: los modelos sustituidos por una generación más nueva, como Qwen3-VL, quedan fuera.
- Las puntuaciones de los benchmarks de visión las publican los propios desarrolladores, así que no ordenamos por ellas. Prueba con tus propias imágenes, porque capturas de pantalla, gráficos y escritura a mano se comportan muy distinto que las fotos.
- El contexto y la licencia se muestran porque limitan lo que puedes lanzar.