Die besten Vision- und Multimodal-KI-Modelle 2026

Vision- und Multimodal-KI-Modelle: Von 7 getesteten Angeboten liegen derzeit SAM 3 (Segment Anything Model 3), Nemotron 3.5 Super VL und MiniCPM-V 4.7 (35B-A3B and 1B) vorn. Alle sind nach unserer Bewertung sortiert, mit Preis, unserem Fazit und für wen sie sich eignen.

Von Andrew Miller · Aktualisiert am 2. Nov. 2026 · So testen wir

So ist das Ranking entstanden: nach unserer Bewertung (maximal 5 Punkte), aus Tests auf Grundlage der Preise, Dokumentation und Richtlinien des jeweiligen Produkts sowie unabhängiger Benchmarks, wo es sie gibt, jeweils geprüft an dem im Test genannten Datum. Wir erhalten keine Affiliate-Provisionen.

1
SAM 3 (Segment Anything Model 3)
SAM 3 macht aus "umrande jeden Gabelstapler in diesem Video" einen einzigen Prompt, mit mehr als doppelt so hoher Genauigkeit wie die Open-Vocabulary-Detektoren davor, aber noch deutlich unter einem menschlichen Annotator.
Am besten für: Computer-Vision-Teams, die Masken oder Boxen für benannte Objekte in Bildern und Videos brauchen, ohne für jede Klasse einen Detektor zu trainieren.
Preis: Kostenlos unter der SAM License nach einer Anmeldung mit Zugangsschranke auf Hugging Face; kommerzielle Nutzung erlaubt, mit Einschränkungen für Militär, ITAR und Reverse Engineering. Gehostete Nutzung über Roboflow wird nach den Tarifen von Roboflow abgerechnet.
Unseren Test von SAM 3 (Segment Anything Model 3) lesen
4.4/5
2
Nemotron 3.5 Super VL
In unabhängigen Tests das offene Modell, an dem sich bei 120B alle messen müssen, sofern es um Dokumente und Recherche geht und nicht um Code.
Am besten für: Teams mit Dokumenten- und Rechercheagenten, die das stärkste offene Modell mittlerer Größe wollen, besonders auf NVIDIA-Hardware.
Preis: Kostenlose Gewichte unter OpenMDW-1.1. Gehostet: OpenRouter ab 0,15 $ Eingabe / 0,50 $ Ausgabe pro 1M Tokens, dazu eine kostenlose Variante; NVIDIA NIM und andere Anbieter mit eigenen Preisen.
Unseren Test von Nemotron 3.5 Super VL lesen
4.1/5
3
MiniCPM-V 4.7 (35B-A3B and 1B)
Nach OpenBMBs eigenen Zahlen ist dies in der Größe 35B das offene Modell, an dem sich andere beim Lesen von Dokumenten und Diagrammen messen müssen, und das 1B ist eines der seltenen Vision-Modelle in Smartphone-Größe, die sich auszuliefern lohnen.
Am besten für: Teams, die Text und Tabellen aus gescannten Dokumenten und Diagrammen auf eigener Hardware extrahieren, und Mobile-Entwickler, die ein Vision-Modell unter 2 GB brauchen.
Preis: Kostenlose Gewichte unter Apache 2.0 für beide Größen. Kein gehosteter Preis vom Hersteller veröffentlicht; du zahlst für deine eigene Hardware.
Unseren Test von MiniCPM-V 4.7 (35B-A3B and 1B) lesen
4.0/5
4
Mage-VL-Cowork
Mage-VL-Cowork bringt ein 4B-Modell bis auf wenige Punkte an die besten offenen Desktop-Agenten heran, indem es ihm ein Terminal gibt, doch Microsoft kennzeichnet es als reines Forschungsmodell, und getestet wurde es nur auf Linux.
Am besten für: Forscher und Teams für Agent-Plattformen, die kleine Computer-Use-Agenten auf Linux untersuchen und sie in Wegwerf-Sandboxes betreiben können.
Preis: Kostenlos unter Apache 2.0, wobei Microsofts Repository sagt, die Mage-Modelle seien für die Forschung gedacht und nicht für den Einsatz in Produkten oder Diensten. Keine gehostete API.
Unseren Test von Mage-VL-Cowork lesen
3.9/5
5
ZDTaichu5.0-9B
Ein Spezialist im Gewand eines Generalisten: Nach den Zahlen seiner Entwickler versteht es Räume und Roboterszenen weit besser als Qwen3.5-9B und liest Text etwas schlechter.
Am besten für: Forschende in Robotik und Embodied AI, die ein kleines offenes Modell brauchen, das über Blickwinkel, Anordnungen und Affordances nachdenkt, und mit einem geforkten Serving-Stack leben können.
Preis: Kostenlose Gewichte unter der NVIDIA Open Model License, die Teile von Qwen3.5 unter Apache 2.0. Keine gehostete API und kein Preis pro Token veröffentlicht; du zahlst für deine eigene GPU.
Unseren Test von ZDTaichu5.0-9B lesen
3.8/5
6
SenseNova-Loop-9B-Preview
SenseNova-Loop-9B-Preview erzielt Agent-Werte weit über seiner Größe, ist aber eine Vorschau ohne technischen Bericht, mit 38 GB Download und Unterstützung für den Betrieb, die noch in nicht gemergten Branches steckt.
Am besten für: Forschungsteams, die Architekturen mit Schleifen und geteilten Gewichten untersuchen oder kleine offene Modelle für Büro-Agenten evaluieren und Werkzeuge im Vorschaustadium aushalten.
Preis: Kostenlos unter Apache 2.0. Keine gehostete API für dieses Modell aufgeführt.
Unseren Test von SenseNova-Loop-9B-Preview lesen
3.5/5
7
Phi-4-multimodal
Immer noch das einzige Phi-Modell, das Sprache hört, aber mit 20 Monaten haben es neuere kleine multimodale Modelle überholt.
Am besten für: Entwickler, die ein kleines Modell unter MIT-Lizenz für Sprach- und Bildeingabe direkt auf dem Gerät suchen.
Preis: Kostenlose Gewichte unter MIT. Azure AI Foundry: 0,08 $ Eingabe / 0,32 $ Ausgabe pro 1M Text- oder Bild-Tokens; Audio-Eingabe 4 $ pro 1M.
Unseren Test von Phi-4-multimodal lesen
3.3/5