2026年のおすすめ画像認識・マルチモーダルAIモデル
当サイトでレビューした7件の画像認識・マルチモーダルAIモデルのうち、現在のおすすめはSAM 3 (Segment Anything Model 3)、Nemotron 3.5 Super VL、MiniCPM-V 4.7 (35B-A3B and 1B)です。各製品を当サイトの評価順に並べ、料金、評価のまとめ、向いている人を記載しています。
執筆： Andrew Miller · 2026年11月2日更新 · レビューの方法
ランキングの方法：各製品の料金、ドキュメント、ポリシー、さらに独立したベンチマークがある場合はそれも基にしたレビューで、5点満点の評価順に並べています。各情報はレビューに記載の日付に確認したものです。アフィリエイト報酬は受け取っていません。
- 1
SAM 3は「この動画の中のフォークリフトをすべて囲んで」を1つのプロンプトにし、それ以前のオープンボキャブラリーの検出器の2倍を超える精度を出します。ただし人間のラベル付け担当者にはまだ遠く及びません。
おすすめの人： クラスごとに検出器を学習させずに、画像と動画全体で名前の付いた物体のマスクやボックスを必要とするコンピュータービジョンのチーム。
料金： Hugging Faceでの利用申請のあと、SAM Licenseで無料です。商用利用は認められていますが、軍事、ITAR、リバースエンジニアリングに関する制限があります。Roboflowを通じたホスト版の利用はRoboflowのプランで課金されます。
SAM 3 (Segment Anything Model 3)のレビューを読む4.4/5 - 2
作業がコードではなく文書や調査であれば、独立したテストで120Bクラスの基準となるオープンモデルです。
おすすめの人： 文書や調査のエージェントを動かし、特にNVIDIAのハードウェア上で最も強力な中型オープンモデルを求めるチームに向いています。
料金： OpenMDW-1.1のもとで重みは無料です。ホスト型：OpenRouterで100万トークンあたり入力$0.15 / 出力$0.50から、無料版もあり。NVIDIA NIMとその他のプロバイダーは別料金です。
Nemotron 3.5 Super VLのレビューを読む4.1/5 - 3
OpenBMB自身の数値によれば、35Bクラスで文書やグラフを読むなら超えるべき基準となるオープンモデルです。1Bは、実際に製品に組み込む価値のある数少ないスマートフォンサイズのビジョンモデルです。
おすすめの人： スキャンした文書やグラフから自前のハードウェアでテキストや表を抽出するチームと、2 GB未満のビジョンモデルが必要なモバイル開発者に向いています。
料金： 両サイズともApache 2.0の重みが無料です。公式のホスト型の価格は公開されておらず、費用は自前のハードウェア代です。
MiniCPM-V 4.7 (35B-A3B and 1B)のレビューを読む4.0/5 - 4
Mage-VL-Coworkは、ターミナルを使えるようにすることで、4Bのモデルを最良のオープンなデスクトップエージェントから数ポイント以内に近づけています。ただしMicrosoftは研究専用と位置づけており、テストされたのはLinuxだけです。
おすすめの人： Linux上の小型のコンピューター操作エージェントを研究し、使い捨てのサンドボックスで動かせる研究者やエージェント基盤のチーム。
料金： Apache 2.0で無料です。ただしMicrosoftのリポジトリには、Mageのモデルは研究用で、製品やサービスでの導入を意図したものではないと書かれています。ホスト版のAPIはありません。
Mage-VL-Coworkのレビューを読む3.9/5 - 5
汎用モデルの姿をした専門モデルです。開発元自身の数値では、部屋やロボットの場面をQwen3.5-9Bよりはるかによく読み取り、テキストの読み取りはわずかに劣ります。
おすすめの人： 視点、配置、アフォーダンスについて推論する小型のオープンモデルが必要で、フォーク版の提供スタックを受け入れられるロボティクスと身体性AIの研究者です。
料金： NVIDIA Open Model Licenseの無料の重みで、Qwen3.5の部分はApache 2.0です。ホスト型APIやトークン単価は公開されていません。費用は自分のGPU代です。
ZDTaichu5.0-9Bのレビューを読む3.8/5 - 6
SenseNova-Loop-9B-Previewは、大きさをはるかに超えるエージェントのスコアを出しています。しかし技術レポートのないプレビュー版で、ダウンロードは38 GB、サービングの対応はまだマージされていないブランチにあります。
おすすめの人： ループや重み共有のアーキテクチャを研究したり、オフィス業務のエージェント向けに小さなオープンなモデルを評価したりする研究チームで、プレビュー段階のツールを許容できるところ。
料金： Apache 2.0で無料。このモデルのホスト版のAPIは記載されていません。
SenseNova-Loop-9B-Previewのレビューを読む3.5/5 - 7
今も音声を聞き取れる唯一のPhiモデルですが、公開から20か月が経ち、より新しい小型マルチモーダルモデルに追い越されています。
おすすめの人： デバイス上で音声と画像の入力を扱う、MITライセンスの小型モデルが欲しい開発者。
料金： 重みはMITで無料です。Azure AI Foundry：テキストまたは画像の100万トークンあたり入力$0.08、出力$0.32。音声入力は100万トークンあたり$4です。
Phi-4-multimodalのレビューを読む3.3/5
出典
ランキング内の各レビューの主な公式情報源です。全出典は各レビューに記載しています。
- SAM 3 (Segment Anything Model 3): Hugging Face: facebook/sam3 (gated model page)
- Nemotron 3.5 Super VL: Hugging Face: NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16 model card
- MiniCPM-V 4.7 (35B-A3B and 1B): Hugging Face: MiniCPM-V-4.7-35B-A3B model card
- Mage-VL-Cowork: Hugging Face: microsoft/Mage-VL-Cowork model card
- ZDTaichu5.0-9B: Hugging Face: TaichuAI/ZDTaichu5.0-9B model card
- SenseNova-Loop-9B-Preview: Hugging Face: sensenova/SenseNova-Loop-9B-Preview model card
- Phi-4-multimodal: Hugging Face: microsoft/Phi-4-multimodal-instruct model card