2026年最高のオープンソース・マルチモーダルモデル(画像・動画・音声)
本サイトに掲載の新しいオープン系フラッグシップの多くは画像を読め、動画や音声に対応するものも少なくありません。このリストは、そうした能力が主役のオープンモデルをスマートフォン規模からサーバー規模まで集め、どのライセンスなら製品に組み込めるかを示します。
-
Gemma 4 EN
Google の Apache 2.0 ファミリー。スマートフォン向けの E2B から 31B のフラッグシップまでを揃え、テキスト・画像・動画・音声を入力でき、推論とツール使用にも対応します。
-
Qwen3.8-27B EN
27B のデンスな Apache 2.0 モデル。画像と動画を読み、段階的に推論し、GPU 1 枚に収まります。
-
Qwen3.6 EN
Alibaba の Apache 2.0 採用 Qwen3.6 ペア。アクティブ 3B の 35B MoE モデルと 27B のデンスモデルで、どちらも画像・動画入力に対応し、エージェントによるコーディング向けに調整済みです。
-
Qwen3.5 EN
Alibaba の Apache 2.0 ファミリーは 0.8B から 397B まで。画像・動画入力、201 言語、256K コンテキストに対応します。
-
MiniCPM-V 4.7 EN
OpenBMB の Apache 2.0 スマホ向けモデル。35B-A3B の MoE モデルと 1B モデルがあり、どちらも画像と動画に対応します。
-
MiniCPM-o 4.5 EN
OpenBMB の 9B・Apache 2.0 モデルは、見る・聞く・話すを同時にこなします。テキストと英語・中国語の音声で回答しながら動画と音声をリアルタイムで受け取れ、OpenBMB は int4 で 11 GB の GPU メモリを挙げています。
-
Mage-VL EN
Microsoft の 4B・Apache 2.0 の視覚言語モデル。動画をコーデックのように読み、視覚トークンを 75% 以上削減し、ライブ配信向けのゲートも備えます。Microsoft の表では、多くの動画・空間テストで Qwen3-VL-4B を上回ります。
-
LocateAnything-3B EN
NVIDIA の 3B モデルは、物体・GUI 要素・文字の位置を枠と点で回答します。NVIDIA の測定で H100 上毎秒 12.7 枠。ライセンスは研究専用です。
-
Ternary Bonsai 2 EN
PrismML の三値重み(ternary weights)の視覚言語モデル。Apache 2.0 で、0.43 GB の 2B モデルから 5.95 GB の 27B クラスモデルまであり、画像とテキストを受け付けます。
-
SenseNova-Loop-9B-Preview EN
SenseTime の Apache 2.0 採用 9B ループ型視覚言語プレビュー。レイヤー 4〜27 を 2 回実行し、テキスト・画像入力と 256K コンテキストを備えます。カスタムコードが必要で、公表スコアは Qwen3.5-27B 相手に五分五分です。
-
Muse Glimmer EN
Meta のローカルエージェント向け 30B デンス・マルチモーダルモデル。Muse Spark から蒸留され、Apache 2.0 で公開、24 GB GPU に収まるよう量子化済みです。
-
GLM-5.3-Flash EN
MIT ライセンスのマルチモーダル GLM。総 320B・アクティブ 18B、画像と動画の入力、1M コンテキストを備え、低コストの長コンテキスト提供向けに設計されています。
-
Step 3.7 Flash EN
StepFun の Apache 2.0 採用 198B 視覚言語 MoE モデル。アクティブ 11B パラメータ、256K コンテキスト、1.8B の視覚エンコーダを備えます。スクリーンショット・グラフ・文書を読むエージェント向けで、111.5 GB の GGUF なら 128 GB メモリの Mac やミニ PC に収まります。
-
Step 5 Preview EN
StepFun の 600B MoE モデル。1M コンテキストと画像入力を備え、長いレポート・グラフ・スクリーンショットを分析するエージェント向けです。モデルカードは動画にも触れますが、仕様に列記されているのはテキストと画像のみで、独自ライセンスにはハードウェアとホスティングの条項があります。
-
MiMo-V2.6 EN
Xiaomi のオムニモーダル・エージェントモデル。1T の Pro、310B の Flash、9B の研究用チェックポイントをそろえ、1M コンテキストに対応します。ライセンスの表記は MIT です。
-
Nemotron 3 Nano Omni EN
NVIDIA の 31B MoE モデル(アクティブ 3B)。動画・音声・画像・テキストを入力でき、256K コンテキストを備えます。英語専用で回答はテキストのみ。NVFP4 なら 32 GB の RTX 5090 1 枚で動きます。
-
Qwen3-Omni EN
Alibaba の 30B MoE モデル(アクティブ 3B)。テキスト・画像・音声・動画を読み、10 言語でテキストまたは音声による回答ができます。Apache 2.0 ですが、15 秒クリップの BF16 必要量は約 79 GB と Alibaba が公表しています。
-
Muse Spark Open EN
Meta の 816B MoE モデル。アクティブ 42B、1M コンテキストで、テキスト・画像・動画・音声を受け付けます。Meta 独自の Muse ライセンスを使うため、商用利用前に必ず目を通してください。
-
Apertus 1.5 EN
Swiss AI の完全オープンな 8B・70B モデル。Apache 2.0 で、テキストに加え画像と音声も読み、262K コンテキストを備えます。回答はテキストのみで、音声理解は実験的です。
-
LongCat-2.5 最新 EN
Meituan の MIT ライセンス 1.6T MoE モデル。アクティブ 48B パラメータで、テキスト・画像・動画を受け付け、1M トークンのコンテキストを持ちます。デプロイが文書化されているのは NPU サーバーのみです。
-
LFM3 EN
Liquid AI のファミリーには、1 GB に収まる 256K コンテキストの 1.7B テキストモデルに加え、ビジョン・音声・オムニの兄弟モデルもあります。LFM Open License は、年間売上高が 1000 万米ドル未満の場合にのみ商用利用を認めます。
-
Mirage EN
Cactus Compute の 5100 万パラメータ・Apache 2.0 のビジョンモデル。ファイルは 22 MB で、写真の説明、物体検出、文字の読み取り、フォーム入力を Galaxy S26 の NPU 上で 74 ミリ秒でこなします。チャットモデルではなく、公開記事に標準的な精度ベンチマークはありません。
選定基準
- 画像・動画・音声のいずれかを入力として受け付け、オープンウェイトを今すぐダウンロードできるモデル。
- 現行バージョンのみを収録。Qwen3-VL のように新しい世代に置き換わったモデルは除外します。
- ビジョンのベンチマーク点数は開発者自身が公表したものなので、順位付けには使いません。スクリーンショット、グラフ、手書き文字は写真とは挙動が大きく異なるため、自分の画像で試してください。
- コンテキスト長とライセンスを明示しています。これらが提供できる範囲を左右するためです。