2026년 최고의 오픈소스 멀티모달 모델(이미지·영상·오디오)
이 사이트에 소개된 새로운 오픈 플래그십 대부분은 이미지를 읽고, 상당수는 영상이나 오디오도 다룹니다. 이 목록은 그 능력이 주력인 오픈 모델을 스마트폰급부터 서버급까지 골라, 어떤 라이선스로 제품에 담을 수 있는지 보여줍니다.
-
Gemma 4 EN
Google의 Apache 2.0 계열로, 스마트폰급 E2B부터 31B 플래그십까지 폭이 넓습니다. 텍스트, 이미지, 영상, 오디오를 입력받고 추론과 도구 사용도 지원합니다.
-
Qwen3.8-27B EN
27B 덴스 Apache 2.0 모델로, 이미지와 영상을 읽고 단계별로 추론하며 GPU 한 장에 들어갑니다.
-
Qwen3.6 EN
Alibaba의 Apache 2.0 Qwen3.6 조합입니다. 활성 3B의 35B MoE 모델과 27B 덴스 모델로, 둘 다 이미지·영상 입력을 지원하며 에이전트 코딩용으로 조정되었습니다.
-
Qwen3.5 EN
Alibaba의 Apache 2.0 계열은 0.8B부터 397B까지입니다. 이미지·영상 입력, 201개 언어, 256K 컨텍스트를 지원합니다.
-
MiniCPM-V 4.7 EN
OpenBMB의 Apache 2.0 스마트폰 친화 모델입니다. 35B-A3B MoE 모델과 1B 모델이 있으며 둘 다 이미지와 영상을 지원합니다.
-
MiniCPM-o 4.5 EN
OpenBMB의 9B Apache 2.0 모델은 보고, 듣고, 말하는 것을 동시에 합니다. 텍스트와 영어·중국어 음성으로 답하는 동시에 영상과 오디오를 실시간으로 받아들이고, OpenBMB는 int4 기준 11 GB GPU 메모리를 제시합니다.
-
Mage-VL EN
Microsoft의 4B Apache 2.0 비전-언어 모델은 영상을 코덱처럼 읽어 시각 토큰을 75% 이상 줄이고, 라이브 스트림용 게이트도 갖춥니다. Microsoft의 표 기준으로 대부분의 영상·공간 테스트에서 Qwen3-VL-4B를 앞섭니다.
-
LocateAnything-3B EN
NVIDIA의 3B 모델은 물체·GUI 요소·텍스트의 위치를 박스와 점으로 답합니다. NVIDIA 측정 기준 H100에서 초당 12.7개 박스. 라이선스는 연구 전용입니다.
-
Ternary Bonsai 2 EN
PrismML의 삼중 가중치(ternary) 비전-언어 모델입니다. Apache 2.0으로 공개되었으며 0.43 GB의 2B 모델부터 5.95 GB의 27B급 모델까지 있고, 이미지와 텍스트를 받습니다.
-
SenseNova-Loop-9B-Preview EN
SenseTime의 Apache 2.0 9B 루프형 비전-언어 미리보기 모델입니다. 4~27층을 두 번 실행하며 텍스트·이미지 입력과 256K 컨텍스트를 갖춥니다. 커스텀 코드가 필요하고, 공개 점수는 Qwen3.5-27B와 호각입니다.
-
Muse Glimmer EN
Meta의 로컬 에이전트용 30B 덴스 멀티모달 모델입니다. Muse Spark에서 증류되었고 Apache 2.0으로 공개되었으며, 24 GB GPU에 들어가도록 양자화되었습니다.
-
GLM-5.3-Flash EN
MIT 라이선스의 멀티모달 GLM입니다. 총 320B·활성 18B, 이미지·영상 입력, 1M 컨텍스트를 갖추고, 저비용 장문 컨텍스트 서빙을 위해 설계되었습니다.
-
Step 3.7 Flash EN
StepFun의 Apache 2.0 198B 비전-언어 MoE 모델입니다. 활성 11B 파라미터, 256K 컨텍스트, 1.8B 비전 인코더를 갖춥니다. 스크린샷·차트·문서를 읽는 에이전트용이며, 111.5 GB GGUF는 128 GB 메모리의 Mac이나 미니 PC에 들어갑니다.
-
Step 5 Preview EN
StepFun의 600B MoE 모델로, 1M 컨텍스트와 이미지 입력을 갖추고 긴 보고서·차트·스크린샷을 분석하는 에이전트용입니다. 모델 카드는 영상도 언급하지만 사양에는 텍스트와 이미지만 나열되어 있고, 자체 라이선스에는 하드웨어·호스팅 조항이 있습니다.
-
MiMo-V2.6 EN
Xiaomi의 옴니모달 에이전트 모델입니다. 1T Pro, 310B Flash, 9B 연구용 체크포인트를 갖추고 1M 컨텍스트를 지원합니다. 라이선스는 MIT로 표기되어 있습니다.
-
Nemotron 3 Nano Omni EN
NVIDIA의 활성 3B 31B MoE 모델입니다. 영상·오디오·이미지·텍스트를 입력받고 256K 컨텍스트를 갖춥니다. 영어 전용이고 텍스트로만 답하며, NVFP4로는 32 GB RTX 5090 한 장에서 돌아갑니다.
-
Qwen3-Omni EN
Alibaba의 활성 3B 30B MoE 모델입니다. 텍스트·이미지·오디오·영상을 읽고 10개 언어로 텍스트 또는 음성 답변이 가능합니다. Apache 2.0이지만, Alibaba는 15초 클립 기준 BF16 약 79 GB를 제시합니다.
-
Muse Spark Open EN
Meta의 816B MoE 모델입니다. 활성 42B와 1M 컨텍스트로 텍스트·이미지·영상·오디오를 받습니다. Meta 고유의 Muse 라이선스를 쓰므로 상업적 이용 전에 꼭 읽어 두세요.
-
Apertus 1.5 EN
Swiss AI의 완전 오픈 8B·70B 모델입니다. Apache 2.0으로 공개되었고 텍스트 외에 이미지와 오디오도 읽으며 262K 컨텍스트를 갖춥니다. 답변은 텍스트로만 하고, 오디오 이해는 실험적입니다.
-
LongCat-2.5 최신 EN
Meituan의 MIT 라이선스 1.6T MoE 모델입니다. 활성 48B 파라미터로 텍스트·이미지·영상을 받고 1M 토큰 컨텍스트를 지닙니다. 배포가 문서화된 것은 NPU 서버뿐입니다.
-
LFM3 EN
Liquid AI 계열에는 1 GB에 들어가는 256K 컨텍스트의 1.7B 텍스트 모델 외에 비전·오디오·옴니 형제 모델도 있습니다. LFM Open License는 연 매출 1,000만 미국 달러 미만일 때만 상업적 이용을 허용합니다.
-
Mirage EN
Cactus Compute의 5100만 파라미터 Apache 2.0 비전 모델입니다. 파일 크기는 22 MB이며, 사진 설명, 객체 찾기, 텍스트 읽기, 양식 작성을 Galaxy S26 NPU에서 74 ms에 처리합니다. 채팅 모델이 아니고, 공개 글에는 표준 정확도 벤치마크가 없습니다.
선정 기준
- 이미지, 영상 또는 오디오를 입력으로 받고, 오픈 가중치를 지금 바로 내려받을 수 있는 모델.
- 현재 버전만 수록합니다. Qwen3-VL처럼 새 세대로 대체된 모델은 제외했습니다.
- 비전 벤치마크 점수는 개발사가 직접 공표한 것이므로 순위 매기기에 쓰지 않았습니다. 스크린샷, 차트, 손글씨는 사진과 결과가 크게 다르니 꼭 자기 이미지로 시험해 보세요.
- 컨텍스트 길이와 라이선스를 표시합니다. 출시 가능 범위를 가르는 요소이기 때문입니다.