Le classement des modèles IA de vision et multimodaux en 2026

Parmi les 7 options que nous avons testées, SAM 3 (Segment Anything Model 3), Nemotron 3.5 Super VL et MiniCPM-V 4.7 (35B-A3B and 1B) arrivent en tête. Chacune est classée selon notre note, avec son prix, notre verdict et le profil auquel elle convient.

Par Andrew Miller · Mis à jour le 2 nov. 2026 · Notre méthode

Notre classement : selon notre note sur 5, à partir d’avis fondés sur les prix, la documentation et les politiques de chaque produit, ainsi que sur des benchmarks indépendants lorsqu’ils existent, chacun vérifié à la date indiquée dans l’avis. Nous ne touchons aucune commission d’affiliation.

1. 1
   

   SAM 3 (Segment Anything Model 3)

   SAM 3 transforme « détoure chaque chariot élévateur dans cette vidéo » en un seul prompt, avec plus de deux fois la précision des détecteurs à vocabulaire ouvert qui l'ont précédé, mais reste encore loin d'un annotateur humain.

   Idéal pour : Les équipes de vision par ordinateur qui ont besoin de masques ou de boîtes pour des objets nommés dans des images et des vidéos sans entraîner un détecteur par classe.

   Prix : Gratuit sous la SAM License après une inscription contrôlée sur Hugging Face ; usage commercial autorisé avec des restrictions sur les usages militaires, ITAR et la rétro-ingénierie. L'usage hébergé via Roboflow est facturé selon les offres de Roboflow.

   Lire notre avis sur SAM 3 (Segment Anything Model 3)
   4.4/5
2. 2
   

   Nemotron 3.5 Super VL

   Le modèle ouvert à battre à 120B sur les tests indépendants, à condition que le travail concerne les documents et la recherche plutôt que le code.

   Idéal pour : Les équipes qui font tourner des agents de documents et de recherche et veulent le modèle ouvert de taille moyenne le plus fort, en particulier sur du matériel NVIDIA.

   Prix : Poids gratuits sous OpenMDW-1.1. Hébergé : OpenRouter à partir de 0,15 $ en entrée / 0,50 $ en sortie par 1M de tokens, plus une variante gratuite ; NVIDIA NIM et autres fournisseurs tarifés séparément.

   Lire notre avis sur Nemotron 3.5 Super VL
   4.1/5
3. 3
   

   MiniCPM-V 4.7 (35B-A3B and 1B)

   Sur les propres chiffres d'OpenBMB, c'est le modèle ouvert à battre pour lire des documents et des graphiques à la taille 35B, et le 1B est le rare modèle de vision de taille téléphone qui vaut la peine d'être livré.

   Idéal pour : Les équipes qui extraient du texte et des tableaux de documents scannés et de graphiques sur leur propre matériel, et les développeurs mobiles qui ont besoin d'un modèle de vision sous 2 GB.

   Prix : Poids Apache 2.0 gratuits pour les deux tailles. Aucun prix hébergé de première partie publié ; vous payez votre propre matériel.

   Lire notre avis sur MiniCPM-V 4.7 (35B-A3B and 1B)
   4.0/5
4. 4
   

   Mage-VL-Cowork

   Mage-VL-Cowork amène un modèle de 4B à quelques points des meilleurs agents de bureau ouverts en le laissant recourir à un terminal, mais Microsoft le réserve à la recherche et il n'a été testé que sous Linux.

   Idéal pour : Les chercheurs et les équipes de plateformes d'agents qui étudient les petits agents d'utilisation d'ordinateur sous Linux et peuvent les faire tourner dans des sandboxes jetables.

   Prix : Gratuit sous Apache 2.0, bien que le dépôt de Microsoft indique que les modèles Mage sont destinés à la recherche et pas au déploiement dans des produits ou services. Pas d'API hébergée.

   Lire notre avis sur Mage-VL-Cowork
   3.9/5
5. 5
   Z

   ZDTaichu5.0-9B

   Un spécialiste déguisé en généraliste : selon les chiffres de ses auteurs, il comprend les pièces et les scènes robotiques bien mieux que Qwen3.5-9B, et lit le texte un peu moins bien.

   Idéal pour : Les chercheurs en robotique et en IA incarnée qui veulent un petit modèle ouvert capable de raisonner sur les points de vue, les agencements et les affordances, et qui acceptent une pile de service dérivée.

   Prix : Poids gratuits sous NVIDIA Open Model License, les parties Qwen3.5 sous Apache 2.0. Aucune API hébergée ni prix par token publié ; vous payez votre propre GPU.

   Lire notre avis sur ZDTaichu5.0-9B
   3.8/5
6. 6
   

   SenseNova-Loop-9B-Preview

   SenseNova-Loop-9B-Preview affiche des scores d'agent bien supérieurs à sa taille, mais c'est un aperçu sans rapport technique, avec un téléchargement de 38 GB et une prise en charge du service encore dans des branches non fusionnées.

   Idéal pour : Les équipes de recherche qui étudient les architectures en boucle et à poids partagés, ou qui évaluent de petits modèles ouverts pour le travail d'agent de bureautique, et peuvent tolérer un outillage au stade de l'aperçu.

   Prix : Gratuit sous Apache 2.0. Aucune API hébergée indiquée pour ce modèle.

   Lire notre avis sur SenseNova-Loop-9B-Preview
   3.5/5
7. 7
   

   Phi-4-multimodal

   Toujours le seul modèle Phi qui entend la parole, mais à 20 mois il a été dépassé par des modèles multimodaux plus petits et plus récents.

   Idéal pour : Les développeurs qui veulent un petit modèle sous licence MIT pour l'entrée de parole et d'image sur l'appareil.

   Prix : Poids gratuits sous MIT. Azure AI Foundry : 0,08 $ en entrée / 0,32 $ en sortie par 1M de tokens de texte ou d'image ; audio en entrée 4 $ par 1M.

   Lire notre avis sur Phi-4-multimodal
   3.3/5