Mejores modelos de IA de visión y multimodales de 2026

De las 7 opciones de modelos de IA de visión y multimodales que hemos analizado, ahora mismo las mejores son SAM 3 (Segment Anything Model 3), Nemotron 3.5 Super VL y MiniCPM-V 4.7 (35B-A3B and 1B). Cada una aparece según nuestra nota, con su precio, nuestro veredicto y para quién es.

Por Andrew Miller · Actualizado el 2 nov 2026 · Cómo analizamos

Cómo clasificamos: por nuestra nota sobre 5, a partir de reseñas basadas en los precios, la documentación y las políticas de cada producto, además de benchmarks independientes cuando existen, todo comprobado en la fecha que indica cada reseña. No cobramos comisiones de afiliación.

1
SAM 3 (Segment Anything Model 3)
SAM 3 convierte "contornea todas las carretillas de este vídeo" en un solo prompt, con más del doble de precisión que los detectores de vocabulario abierto anteriores, aunque todavía muy por debajo de un etiquetador humano.
Ideal para: Equipos de visión por ordenador que necesitan máscaras o cuadros de objetos nombrados en imágenes y vídeo sin entrenar un detector para cada clase.
Precio: Gratuito con la SAM License tras un registro con acceso restringido en Hugging Face; uso comercial permitido con restricciones militares, de ITAR y de ingeniería inversa. El uso alojado a través de Roboflow se factura según los planes de Roboflow.
Lee nuestra reseña de SAM 3 (Segment Anything Model 3)
4.4/5
2
Nemotron 3.5 Super VL
El modelo abierto a batir en 120B según las pruebas independientes, siempre que el trabajo sea de documentos e investigación y no de código.
Ideal para: Equipos que ejecutan agentes de documentos e investigación y quieren el modelo abierto de tamaño medio más fuerte, sobre todo en hardware de NVIDIA.
Precio: Pesos gratuitos bajo OpenMDW-1.1. Alojado: OpenRouter desde 0,15 $ de entrada / 0,50 $ de salida por 1M de tokens, más una variante gratuita; NVIDIA NIM y otros proveedores con precios propios.
Lee nuestra reseña de Nemotron 3.5 Super VL
4.1/5
3
MiniCPM-V 4.7 (35B-A3B and 1B)
Según las propias cifras de OpenBMB, es el modelo abierto a batir para leer documentos y gráficos en el tamaño de 35B, y el 1B es ese raro modelo de visión del tamaño de un teléfono que merece la pena incluir en una app.
Ideal para: Equipos que extraen texto y tablas de documentos escaneados y gráficos en su propio hardware, y desarrolladores móviles que necesitan un modelo de visión de menos de 2 GB.
Precio: Pesos Apache 2.0 gratuitos para ambos tamaños. No hay precio alojado propio publicado; pagas tu propio hardware.
Lee nuestra reseña de MiniCPM-V 4.7 (35B-A3B and 1B)
4.0/5
4
Mage-VL-Cowork
Mage-VL-Cowork deja a un modelo de 4B a pocos puntos de los mejores agentes de escritorio abiertos al permitirle recurrir a un terminal, pero Microsoft lo etiqueta como solo para investigación y solo se ha probado en Linux.
Ideal para: Investigadores y equipos de plataformas de agentes que estudian pequeños agentes de uso del ordenador en Linux y pueden ejecutarlos en sandboxes desechables.
Precio: Gratuito con licencia Apache 2.0, aunque el repositorio de Microsoft dice que los modelos Mage son para investigación y no están pensados para desplegarse en productos o servicios. Sin API alojada.
Lee nuestra reseña de Mage-VL-Cowork
3.9/5
5
ZDTaichu5.0-9B
Un especialista vestido de generalista: según las cifras de sus creadores, entiende habitaciones y escenas de robots mucho mejor que Qwen3.5-9B, y lee texto algo peor.
Ideal para: Investigadores de robótica e IA corporeizada que necesitan un modelo abierto pequeño que razone sobre puntos de vista, distribuciones y affordances, y pueden convivir con una pila de servicio bifurcada.
Precio: Pesos gratuitos bajo la NVIDIA Open Model License, con las partes de Qwen3.5 bajo Apache 2.0. No hay API alojada ni precio por token publicado; pagas tu propia GPU.
Lee nuestra reseña de ZDTaichu5.0-9B
3.8/5
6
SenseNova-Loop-9B-Preview
SenseNova-Loop-9B-Preview logra puntuaciones de agente muy por encima de su tamaño, pero es una vista previa sin informe técnico, con una descarga de 38 GB y el soporte para servirlo aún en ramas sin fusionar.
Ideal para: Equipos de investigación que estudian arquitecturas en bucle y con pesos compartidos, o que evalúan pequeños modelos abiertos para agentes de oficina, y toleran herramientas de calidad de vista previa.
Precio: Gratuito con licencia Apache 2.0. No hay API alojada para este modelo.
Lee nuestra reseña de SenseNova-Loop-9B-Preview
3.5/5
7
Phi-4-multimodal
Sigue siendo el único modelo Phi que oye voz, pero con 20 meses lo han superado modelos multimodales pequeños más recientes.
Ideal para: Desarrolladores que quieren un modelo pequeño con licencia MIT para entrada de voz e imagen en el dispositivo.
Precio: Pesos gratuitos bajo MIT. Azure AI Foundry: 0,08 $ de entrada / 0,32 $ de salida por 1M de tokens de texto o imagen; entrada de audio a 4 $ por 1M.
Lee nuestra reseña de Phi-4-multimodal
3.3/5