Лучшие open-source мультимодальные модели 2026 года (изображения, видео и аудио)

Большинство новых открытых флагманов на этом сайте читают изображения, а многие принимают ещё и видео или аудио. Этот список собирает открытые модели, для которых это главная особенность, — от размера смартфона до размера сервера — и показывает, какие лицензии позволяют выводить их в продукт.

  • Список обновлён 11 ноября 2026 г.
  1. Gemma 4 EN

    Семейство Apache 2.0 от Google — от «смартфонного» E2B до флагмана на 31B. Принимает текст, изображения, видео и аудио, умеет рассуждать и пользоваться инструментами.

    • Google DeepMind
    • 30.7B
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 3.52 GB
  2. Qwen3.8-27B EN

    Плотная (dense) модель на 27B под Apache 2.0: читает изображения и видео, рассуждает шаг за шагом и умещается на одной GPU.

    • Alibaba Qwen
    • 27.8B
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 19 GB
  3. Qwen3.6 EN

    Пара Qwen3.6 от Alibaba под Apache 2.0: смесь экспертов на 35B с 3B активных и плотная модель на 27B; обе принимают изображения и видео и настроены под агентное программирование.

    • Alibaba Qwen
    • 36B (3B активных)
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 19 GB
  4. Qwen3.5 EN

    Семейство Apache 2.0 от Alibaba охватывает диапазон от 0.8B до 397B: ввод изображений и видео, 201 язык и контекст 256K.

    • Alibaba Qwen
    • 403B (17B активных)
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 0.602 GB
  5. MiniCPM-V 4.7 EN

    Смартфонные модели OpenBMB под Apache 2.0: смесь экспертов 35B-A3B и модель на 1B, обе работают с изображениями и видео.

    • OpenBMB
    • 35.2B (3B активных)
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 1.07 GB
  6. MiniCPM-o 4.5 EN

    Модель OpenBMB на 9B под Apache 2.0 видит, слышит и говорит одновременно. Она принимает видео и аудио в реальном времени, отвечая текстом и голосом на английском или китайском; OpenBMB называет 11 ГБ видеопамяти при int4.

    • OpenBMB
    • 9.37B
    • 40K токенов
    • Apache 2.0 (Пермиссивная)
    • от 11 GB
  7. Mage-VL EN

    Визуально-языковая модель Microsoft на 4B под Apache 2.0 читает видео как кодек, сокращая визуальные токены более чем на 75%, и снабжена вентилем для прямых трансляций. По таблицам Microsoft она обгоняет Qwen3-VL-4B в большинстве видео- и пространственных тестов.

    • Microsoft
    • 4.74B
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 3.27 GB
  8. LocateAnything-3B EN

    Модель NVIDIA на 3B отвечает рамками и точками для объектов, элементов GUI и текста — по замерам NVIDIA, 12,7 рамки в секунду на H100. Лицензия — только для исследований.

    • NVIDIA
    • 3.83B
    • NVIDIA Non-Commercial (Некоммерческая)
    • от 2.64 GB
  9. Ternary Bonsai 2 EN

    Визуально-языковые модели PrismML с троичными весами: от модели 2B в 0,43 ГБ до модели класса 27B в 5,95 ГБ, под Apache 2.0. Принимают изображения и текст.

    • PrismML
    • 27.4B
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 0.473 GB
  10. SenseNova-Loop-9B-Preview EN

    Предварительная зацикленная визуально-языковая модель SenseTime на 9B под Apache 2.0: слои с 4-го по 27-й выполняются дважды, есть ввод текста и изображения и контекст 256K. Нужен собственный код, а опубликованные результаты против Qwen3.5-27B неоднозначны.

    • SenseTime
    • 9.66B
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 22 GB
  11. Muse Glimmer EN

    Плотная мультимодальная модель Meta на 30B для локальных агентов: дистиллирована из Muse Spark, под Apache 2.0 и квантована так, чтобы поместиться на GPU с 24 ГБ.

    • Meta
    • 29.6B
    • 128K токенов
    • Apache 2.0 (Пермиссивная)
    • от 20 GB
  12. GLM-5.3-Flash EN

    Мультимодальный GLM под лицензией MIT: 320B суммарно и 18B активных, ввод изображений и видео, контекст 1M, создан для дешёвого обслуживания длинных контекстов.

    • Z.ai (Zhipu AI)
    • 320B (18B активных)
    • 1M токенов
    • MIT (Пермиссивная)
    • от 221 GB
  13. Step 3.7 Flash EN

    Визуально-языковая смесь экспертов StepFun на 198B под Apache 2.0: 11B активных параметров, контекст 256K и визуальный энкодер на 1.8B. Ориентирована на агентов, читающих скриншоты, графики и документы; GGUF на 111,5 ГБ помещается на Mac или мини-ПК со 128 ГБ памяти.

    • StepFun
    • 201B (11B активных)
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 120 GB
  14. Step 5 Preview EN

    Смесь экспертов StepFun на 600B с контекстом 1M и вводом изображений — для агентов, разбирающих длинные отчёты, графики и скриншоты. Карточка модели упоминает и видео, но в спецификации перечислены только текст и изображения, а собственная лицензия содержит условия по оборудованию и хостингу.

    • StepFun
    • 604B (27B активных)
    • 1M токенов
    • StepFun 1.0 (С условиями)
    • от 417 GB
  15. MiMo-V2.6 EN

    Омнимодальные агентные модели Xiaomi: 1T Pro, 310B Flash и исследовательский чекпоинт на 9B, контекст 1M. Лицензия помечена как MIT.

    • Xiaomi
    • 1.02T (42B активных)
    • 1M токенов
    • MIT (Пермиссивная)
    • от 6.49 GB
  16. Nemotron 3 Nano Omni EN

    Смесь экспертов NVIDIA на 31B с 3B активных принимает видео, аудио, изображения и текст с контекстом 256K. Только английский, ответы текстом, работает на одной RTX 5090 с 32 ГБ в NVFP4.

    • NVIDIA
    • 31B (3B активных)
    • 256K токенов
    • NVIDIA Open Model (Пермиссивная)
    • от 32 GB
  17. Qwen3-Omni EN

    Смесь экспертов Alibaba на 30B с 3B активных читает текст, изображения, аудио и видео и может отвечать текстом или голосом на 10 языках. Apache 2.0, но Alibaba указывает около 79 ГБ в BF16 для 15-секундного клипа.

    • Alibaba Qwen
    • 35.3B (3B активных)
    • 64K токенов
    • Apache 2.0 (Пермиссивная)
    • от 22 GB
  18. Muse Spark Open EN

    Смесь экспертов Meta на 816B с 42B активных и контекстом 1M принимает текст, изображения, видео и аудио. Используется собственная лицензия Muse от Meta: прочитайте её до коммерческого использования.

    • Meta
    • 816B (42B активных)
    • 1M токенов
    • Muse Model License (С условиями)
    • от 563 GB
  19. Apertus 1.5 EN

    Полностью открытые модели Swiss AI на 8B и 70B под Apache 2.0 читают изображения и аудио помимо текста, контекст 262K. Отвечают только текстом, а понимание аудио экспериментально.

    • Swiss AI Initiative
    • 70B
    • 256K токенов
    • Apache 2.0 (Пермиссивная)
    • от 5.52 GB
  20. LongCat-2.5 Самая новая EN

    Смесь экспертов Meituan на 1.6T под лицензией MIT с 48B активных параметров принимает текст, изображения и видео с контекстом в 1M токенов. Развёртывание задокументировано только для NPU-серверов.

    • Meituan
    • 1.6T (48B активных)
    • 1M токенов
    • MIT (Пермиссивная)
    • от 1.1 TB
  21. LFM3 EN

    В семействе Liquid AI есть текстовая модель на 1.7B с контекстом 256K, умещающаяся в 1 ГБ, плюс версии для зрения, аудио и omni. LFM Open License допускает коммерческое использование только при годовой выручке ниже 10 млн долларов США.

    • Liquid AI
    • 2.17B
    • 256K токенов
    • LFM Open 1.0 (С условиями)
    • от 1.19 GB
  22. Mirage EN

    Визуальная модель Cactus Compute на 51M под Apache 2.0 умещается в файл 22 МБ: описывает фотографию, находит объекты, читает текст и заполняет формы за 74 мс на NPU Galaxy S26. Это не чат-модель, и в анонсе нет стандартных бенчмарков точности.

    • Cactus Compute
    • 51M
    • Apache 2.0 (Пермиссивная)
    • от 0.0354 GB

Как мы выбирали

  • Модели, принимающие изображения, видео или аудио на вход, с открытыми весами, которые можно скачать уже сегодня.
  • Только актуальные версии: модели, заменённые новым поколением, например Qwen3-VL, не включены.
  • Очки бенчмарков по зрению публикуют сами разработчики, поэтому мы не ранжируем по ним. Проверяйте на своих изображениях: скриншоты, графики и рукописный текст ведут себя совсем не как фотографии.
  • Длина контекста и лицензия показаны, потому что они ограничивают то, что вы можете выпустить.