AIモデル

Claude Opus 5.5

Anthropic·汎用

4.7/5

エージェント型のコーディングと知的作業向けのAnthropicの標準の旗艦モデルです。価格は100万トークンあたり$4/$20で、1Mトークンのコンテキストに対応しています。

Eleven v4 and v4 Turbo

ElevenLabs·音声合成

4.7/5

ElevenLabsの表現力豊かなテキスト読み上げモデルの2本立てで、Artificial Analysisの音声アリーナで首位に並んでいます。v4 Turboは音声エージェント向けです。

GPT Image 2.5 (Flare and Sunburst)

OpenAI·画像生成

4.7/5

OpenAIの現行の画像モデルです。日常的な生成と編集にはFlare、複数ステップの精密な編集にはSunburstを使います。

Claude Sonnet 5.5

Anthropic·汎用

4.6/5

Anthropicの中位モデルです。多くのベンチマークでOpus 5.5に迫り、価格は半分の100万トークンあたり$2/$10です。

GPT-6.1 Sol

OpenAI·汎用

4.6/5

OpenAIの中価格帯の主力モデルです。コーディングとcomputer useでAstraに近い結果を、100万トークンあたり$2/$10で出します。

Nano Banana 2.1

Google·画像生成

4.6/5

GoogleのFlash級の画像モデルです。ブラインド投票で4位、1K画像1枚あたり約3.4セントからで、最大14枚の参照画像に対応します。

Voyage rerank-3

Voyage AI (MongoDB)·埋め込み・リランキング

4.6/5

Voyage AIの最新のリランカーです。32Kトークンのウィンドウ、指示への追従に対応し、価格は100万トークンあたり$0.02からです。

Claude Haiku 5.5

Anthropic·汎用

4.5/5

Anthropicの小型で高速なモデルです。価格は100万トークンあたり$0.10/$0.50から、1Mトークンのコンテキストとeffortの調整に対応しています。

Gemini 3.8 Flash TTS

Google·音声合成

4.5/5

Googleの表現力のある音声合成です。ブラインド投票で5位、100万文字あたり約$16.50で、ボイスデザインとクローンに対応します。

Gemini 4 Argon

Google·推論

4.5/5

Googleの新しいフラッグシップ推論モデルです。テキスト、画像、音声、動画、PDFを読み、コンテキストは1Mトークンです。

OpenAIの画像モデルの短期間での刷新。待ち時間は半分、マークアップ編集、SVGとGIF出力に対応し、トークン価格は据え置きでBatchはなし。

MITライセンスのMicrosoft製テキスト埋め込みモデル3サイズ。27Bは多言語MTEB v2で74.3の首位に立ち、小型モデルもそれぞれのクラスで先頭です。

MiMo-V2.6-Pro

Xiaomi·推論·オープンウェイト

4.5/5

Xiaomiの1兆パラメータのオープンウェイトモデルで、Artificial Analysisのオープンモデルで首位です。出力は100万トークンあたり$0.87です。

NVIDIA Nemotron 3.5 Transcribe

NVIDIA·音声認識·オープンウェイト

4.5/5

プロンプトで指示できるNVIDIAのオープンな音声モデルです。40言語の文字起こし、話者ラベル、翻訳を1つのチェックポイントでこなします。

Perplexity Decider (pplx-decider)

Perplexity·判定モデル·オープンウェイト

4.5/5

Perplexityのオープンな27Bと4Bの判定モデルで、100万トークンあたり$0.02のAPIとしても販売されています。テキストと画像を受け取り、確率を返します。

Qwen3.8-27B

Alibaba (Qwen)·汎用·オープンウェイト

4.5/5

AlibabaのApache 2.0の密なモデルです。270億パラメータで、画像と動画を入力でき、何倍も大きなモデルに匹敵するコーディングのスコアを示します。

voyage-4-large

Voyage AI (MongoDB)·埋め込み・リランキング

4.5/5

mixture-of-expertsで作られたVoyage AIの最上位のテキスト埋め込みモデルです。より安価なVoyage 4のモデルと1つのベクトル空間を共有します。

Wan 3.0

Alibaba·動画

4.5/5

Alibabaの最新の動画モデルです。現在のArtificial Analysisの動画ボードで首位に立ち、最長30秒のクリップに対応します。

Cartesia Sonic 3.6

Cartesia·音声合成

4.4/5

Cartesiaによる音声エージェント向けの低レイテンシなテキスト読み上げモデルで、44言語に対応しています。

Cohere Rerank 5

Cohere·埋め込み・リランキング

4.4/5

2026年10月に公開されたCohereのリランカーで、ProとFastの2サイズがあります。スコアは較正されており、関連箇所だけを返すオプションもあります。

ElevenLabs Scribe v2

ElevenLabs·音声認識

4.4/5

ElevenLabsのバッチ文字起こしモデルです。独立したテストで単語誤り率2.2%、1時間あたり$0.22で、話者分離とエンティティ検出に対応しています。

Gemma 4

Google·小型・オンデバイス·オープンウェイト

4.4/5

GoogleのApache 2.0のオープンモデルファミリーです。スマートフォン向けのE2Bから、GPU 1基で動く31Bまであり、画像、動画、音声を入力できます。

GLM-5.3

Z.ai (Zhipu AI)·コーディング·オープンウェイト

4.4/5

Z.aiのオープンウェイトのコーディング・エージェント向けモデルです。ほぼMITのライセンスで、APIでは100万トークンあたり$1.40/$4.40です。

テキストとページ画像を一つのベクトル空間に収めるNVIDIAのオープン埋め込みモデル。ViDoRe v3.1で首位、OpenRouterで無料で呼び出せます。

PaddleOCR-VL-1.6

Baidu (PaddlePaddle)·OCR・文書·オープンウェイト

4.4/5

少なくとも開発元の集計では、主要なOCRベンチマークで首位に立つ9億（0.9 billion）パラメータの文書解析モデルです。

SAM 3 (Segment Anything Model 3)

Meta·画像認識・マルチモーダル·オープンウェイト

4.4/5

Metaによる848Mパラメータのモデルです。短いテキストの語句に当てはまるすべての対象を、画像と動画の中で見つけ、輪郭を取り、追跡します。

Seedance 2.5

ByteDance·動画

4.4/5

ByteDanceの音声と映像を同時に生成するモデルで、30秒のテイク、豊富なマルチモーダルの参照、タイムスタンプ指定の編集に対応します。

Voxtral 3 (Transcribe and TTS)

Mistral AI·音声認識

4.4/5

Mistralの2026年10月の音声ファミリーです。1分$0.0035からの50言語の文字起こし、500 ms未満のリアルタイム処理、音声クローンに対応します。

MITライセンスの楽曲モデル。4 GB未満のVRAMで動き、50以上の言語の歌詞で最長10分の曲を作り、セクション単位で編集できます。

Claude Fable 5.1

Anthropic·推論

4.3/5

難しい推論と長時間のエージェント作業向けのAnthropicの最上位モデルで、価格は100万トークンあたり$10/$50です。

DeepSeek-V4-Pro

DeepSeek·推論·オープンウェイト

4.3/5

DeepSeek最大のオープンウェイトモデルです。パラメータ1.6兆、MITライセンス、100万トークンのコンテキストで、APIの価格は非常に安価です。

ElevenLabsの音楽モデル。最長5分のボーカル入りの曲、セクション単位の編集、幅広い商用権利を、1分0.15ドルで提供します。

EmbeddingGemma 2

Google DeepMind·埋め込み・リランキング·オープンウェイト

4.3/5

Googleによるオープンなオンデバイスの埋め込みモデルです。テキスト、コード、画像、音声、動画を1つの空間にまとめます。

Gemini 4 Carbon

Google·推論

4.3/5

Artificial Analysisの指標で首位に立つGoogle最強の推論モデルです。ただし現時点で使えるのは審査を通ったサイバー防御担当者だけです。

Gemini Embedding 2

Google·埋め込み・リランキング

4.3/5

Google初のマルチモーダル埋め込みモデルです。テキスト、画像、動画、音声、PDFを1つの共有ベクトル空間に置きます。

Gemini Omni Flash 1.1

Google·動画

4.3/5

Geminiを基盤にしたGoogleの標準の動画モデルです。短いクリップを会話で仕上げていけます。

GLM-5.3-Flash

Z.ai (Zhipu AI)·汎用·オープンウェイト

4.3/5

Z.aiのMITライセンスの320B mixture-of-expertsモデルです。画像と動画を入力でき、コンテキストは1Mトークン、APIの価格は$0.15/$0.50です。

GLM-OCR

Z.ai (Zhipu AI)·OCR・文書·オープンウェイト

4.3/5

Zhipuによる小型のOCRモデルです。独立した評価を受けており、月174万回ダウンロードされ、APIは100万トークンあたり$0.03です。

OpenAIのGPT-6 Astraを認可済みのエクスプロイト作業向けに調整したモデルです。審査済みのDaybreak Red顧客だけにAPIとCodexで提供されます。

GPT-6 Luna

OpenAI·汎用

4.3/5

大量処理向けのOpenAIの小型で安価なモデルです。100万トークンあたり$0.10/$0.50で、コンテキストは1.05Mトークンです。

GPT-Live-1 (and GPT-Realtime-2.1)

OpenAI·音楽・オーディオ

4.3/5

OpenAIの全二重音声モデルです。話しながら聞き取り、思考は選んだテキストモデルに任せます。料金は1分あたり$0.05です。

音声エージェント向けのSpaceXSIの音声対音声モデル。Artificial Analysisの指標で首位、料金は1分0.08ドルの定額で、米国の1リージョンから提供されます。

Jina Embeddings v5

Jina AI (Elastic)·埋め込み・リランキング·オープンウェイト

4.3/5

Jina AIの小型の多言語テキスト埋め込みモデルと、画像、動画、音声に対応するomni版です。すべてが1つのベクトル空間を共有します。

Jina Reranker v3.5

Jina AI (Elastic)·埋め込み・リランキング·オープンウェイト

4.3/5

Jina AI（現Elastic）の小型0.6Bの多言語リランカーです。候補リスト全体を1回で採点し、コンテキストは131Kトークンです。

Kimi K3

Moonshot AI·推論·オープンウェイト

4.3/5

Moonshot AIの2.8兆パラメータのオープンウェイトモデルです。エージェントとブラウジングのタスクに強く、コンテキストは1Mトークンです。

MAI-Image-2.6

Microsoft AI·画像生成

4.3/5

Microsoftの自社開発の画像モデルで、Artificial Analysisのアリーナで5位です。Foundryでプレビュー提供中で、1,000枚あたり約$39です。

Midjourney V8

Midjourney·画像生成

4.3/5

Midjourneyの第8世代の画像モデルです。現在は指示で編集できるエディター付きのV8.2で、月額サブスクリプションでのみ販売されています。

MiniCPM-OCR 1.0

OpenBMB·OCR・文書·オープンウェイト

4.3/5

OpenBMBによる1.3BのOCRモデルで、Apache 2.0です。開発元の15モデルのテストで最速、6つのOCRのベンチマークのうち4つで首位です。

MiniMax H3 (Hailuo 3.0)

MiniMax·動画·オープンウェイト

4.3/5

ステレオ音声付きのMiniMaxの33B動画モデルです。オープンウェイトでは首位ですが、米国、EU、英国、韓国はライセンスの対象外です。

AlibabaのApache 2.0文字起こしモデル（1.7Bと0.6B）。30言語と22の中国語方言、言語識別、ストリーミングを一つのモデルで扱います。

Qwen3-VL-Embedding

Alibaba (Qwen)·埋め込み・リランキング·オープンウェイト

4.3/5

テキスト、画像、スクリーンショット、動画を1つのベクトル空間に置く、Alibabaのオープンなマルチモーダル埋め込みモデルです。2Bと8Bのサイズがあります。

Alibabaのオープンな安全性モデルで、0.6Bから8Bまであり、119言語で文章を安全、議論あり、危険に分類します。ストリーミング版もあります。

Chandra OCR 2

Datalab·OCR・文書·オープンウェイト

4.2/5

DatalabによるQwen 3.5ベースの文書解析モデルです。olmOCR-Benchと、歴史的な印刷物を扱う独立したランキングで首位に立っていますが、重みが無料なのは$2M未満の企業だけです。

Cohere Embed 5

Cohere·埋め込み・リランキング

4.2/5

テキスト、画像、PDFに対応するCohereのマルチモーダル埋め込みモデルです。入力は128Kトークンまでで、ProとFastの2つの階層が同じベクトル空間を共有します。

DeepSeek-V4.1-Flash

DeepSeek·汎用·オープンウェイト

4.2/5

DeepSeekのMITライセンスのオープンなmixture-of-expertsモデルで、画像入力と100万トークンのコンテキストに対応します。オフピークなら100万入力トークンあたり$0.15からです。

Fish Audio Drama 3

Fish Audio (39 AI, Inc.)·音声合成·オープンウェイト

4.2/5

演出付きの複数キャラクターの場面向けの、Fish Audioによる35Bのオープンウェイト音声モデルです。Artificial AnalysisのTTS順位表でオープンモデルの首位に立っています。

FLUX 3

Black Forest Labs·動画

4.2/5

Black Forest Labsによる、音声付き動画と画像のためのマルチモーダルモデルで、1つの共通アーキテクチャで作られています。

Gemini 3.5 Transcribe

Google·音声認識

4.2/5

Googleの音声認識専用モデルです。ストリーミング用のLive版もあり、1分あたり約0.5セントです。

GPT-6 Astra

OpenAI·推論

4.2/5

最も難しい仕事のためのOpenAIのフラッグシップ推論モデルです。100万トークンあたり$10/$50で、コンテキストは1.05Mトークンです。

Hy4 preview

Tencent (Hy, formerly Hunyuan)·コーディング·オープンウェイト

4.2/5

Tencent（旧Hunyuan）の770Bのオープンウェイトのフラッグシップで、素のApache 2.0です。コーディングに強く、コンテキストは1Mトークンです。

Kimi K3.1 Pro

Moonshot AI·推論

4.2/5

Moonshot AIが追加学習したKimi K3です。Artificial AnalysisのTerminal-Benchでは首位ですが、より難しいv5.0指数では22位で、速度も遅いです。

LightOnOCR-3-4B

LightOn·OCR・文書·オープンウェイト

4.2/5

LightOnによる、レイアウトのボックスとグラフのデータを出す4Bのエンドツーエンドのモデルです。開発元のテストでは、ParseBenchで首位、フランス語の文書で最高の成績です。

Metaの小さなオープン分類器で、86Mと22Mのパラメーターを持ち、プロンプトインジェクションやジェイルブレイクについて文章を無害か悪意ありかに分けます。

Googleの音楽生成モデル。テキストや最大10枚の画像から、歌と歌詞の入った曲を丸ごと作ります。Gemini APIで1曲0.08ドルです。

MiniMaxのオープンウェイト楽曲モデル。歌詞から最長5分のボーカル入りの曲を生成し、年商2,000万ドル未満なら商用利用できます。

Mistral OCR 4.1

Mistral AI·OCR・文書

4.2/5

段落のバウンディングボックス、ブロックのラベル、信頼度スコアを170言語で返すMistralの文書OCRです。料金は1,000ページあたり$4です。

アクティブ2Bの9B画像モデル。アクティブパラメーターが4倍のモデルより速く物体を見つけ、指し示し、数えます。

BOSS Zhipinの研究所による3Bエージェントモデル。層を繰り返し使い、ツール利用とコーディングエージェントでQwen3.5-9Bを上回ります。

Nano Banana Pro (Gemini 3 Pro Image)

Google·画像生成

4.2/5

Googleのプレミアムな画像モデルです。価格はNano Banana 2.1の4倍ですが、写実性ではレビュアーが今も信頼するモデルです。

OvisOCR3

Alibaba (ATH-MaaS)·OCR・文書·オープンウェイト

4.2/5

OvisOCR2の後継で、同じ0.8Bの大きさに項目の抽出とページをまたぐ表が加わりました。スコアを確かめたのは、いまのところAlibabaだけです。

Qwen3-Embedding and Qwen3-Reranker

Alibaba (Qwen)·埋め込み・リランキング·オープンウェイト

4.2/5

AlibabaのApache 2.0の埋め込み・リランキングモデル群です。0.6Bから、2025年6月にMTEBの多言語部門で首位に立った8Bまでそろいます。

Qwen3.8-Flash-Next

Alibaba (Qwen)·汎用·オープンウェイト

4.2/5

Qwen4のアーキテクチャのQwenによるプレビューです。アクティブパラメータは60億、ベンダー報告のコーディングのスコアは高く、ライセンスは制約が多めです。

Qwen3.8-Max

Alibaba (Qwen)·推論·オープンウェイト

4.2/5

Alibabaの2.4兆パラメータのフラッグシップです。重みは公開され、$2/$6のAPIでは画像、動画、1Mのコンテキストが加わります。

Shieldstral 1.0 3B

Mistral AI·判定モデル·オープンウェイト

4.2/5

平易な言葉で書いたモデレーションのポリシーに照らしてテキストと画像を確認する、Mistralのオープンな3Bの安全性分類モデルです。

Step 5 Preview

StepFun·推論·オープンウェイト

4.2/5

StepFunの600Bのオープンウェイトモデルです。コンテキストは100万トークンで、Artificial AnalysisではKimi K3と同等の賢さを半分のコストで示します。

Unlimited-OCR 2

Baidu·OCR・文書·オープンウェイト

4.2/5

300ページの文書を1回のリクエストで解析するBaiduのオープンなOCRモデルです。文書が長くなってもメモリ使用量はほぼ一定です。

OpenBMBのApacheライセンスの2B音声モデルです。30言語、一文からのボイスデザイン、クローンに対応し、VRAMは約8 GBです。

d3-turbo (vLLM Semantic Router)

vLLM Semantic Router·判定モデル·オープンウェイト

4.1/5

vLLM Semantic Routerの27Bの判定モデルの改良版です。入力を一度読むだけで最大255の質問に答え、動画内の物体の位置も特定します。

Doubao Seed 2.1 Pro

ByteDance·汎用

4.1/5

Doubaoアプリを支えるByteDanceのクローズドなフラッグシップモデルです。動画と視覚の理解で首位に立ち、主に中国のVolcano Engineで販売されています。

Gemini 3.5 Flash-Lite

Google·汎用

4.1/5

Googleの現行Geminiで最も安いテキストモデルです。出力が始まれば非常に速く、100万トークンあたり$0.30/$2.50で、無料枠もあります。

Gemini 3.8 Flash

Google·汎用

4.1/5

エージェントと文書向けのGoogleの中位モデルです。テキスト、画像、音声、動画、PDFを読み、入力は1Mトークンです。

コンピューター操作と事務作業向けのOpenAIの高速な中価格帯モデル。100万トークン$1/$5、1.05Mのコンテキスト、試験では危険な操作が増加。

Gradiumの31Mパラメータの英語音声モデルです。ファイルは64.5 MBで、聴取者の評価はKokoroより上、商用でも無料です。

HunyuanOCR 1.5

Tencent (Hy, formerly Hunyuan)·OCR・文書·オープンウェイト

4.1/5

Tencentによる1.12Bのエンドツーエンドのモデルで、解析、文字検出、抽出、翻訳をこなします。EU、英国、韓国では利用が許諾されていません。

HY-World 2.0

Tencent (Hy, formerly Hunyuan)·ゲーム・ワールドモデル·オープンウェイト

4.1/5

1文や1枚の写真を、歩き回れてUnityで開ける永続的な3Dの世界に変える、Tencentのオープンなパイプラインです。

Kling 4.0

Kuaishou (Kling AI)·動画

4.1/5

Kuaishouの新しい動画モデルです。30秒のテイク、10個のキーフレーム、15個の参照、ステレオ音声に対応し、APIは今のところfalだけです。

Poolsideの118Bパラメータ（アクティブ8B）のオープンなコーディングモデル。100万トークンのコンテキストと寛容なライセンスで、100万トークンあたり$0.10/$0.20です。

Microsoft初のリアルタイム文字起こしモデルです。60言語、途中結果は約100ミリ秒、プレビュー中は音声1時間あたり0.54ドルです。

OpenBMBのApache 2.0ライセンスの9Bオムニモデル。見る、聞く、話すを同時にこなし、Macや12 GBのGPUで動きます。

Ministral 3 (3B, 8B and 14B)

Mistral AI·小型・オンデバイス·オープンウェイト

4.1/5

Apache 2.0で公開されたMistralの小型オープンモデルです。3つのサイズそれぞれにbase、instruct、reasoning版があり、画像入力に対応します。

Mistral Large 4

Mistral AI·汎用·オープンウェイト

4.1/5

Mistralの1兆パラメータの主力モデルです。重みが公開されプレビューも終わり、100万トークンあたり$0.70/$2.10です。

Moondream Parakeet Redux

Moondream (M87 Labs)·音声認識·オープンウェイト

4.1/5

Moondreamによる1.58ビット版Parakeetです。NVIDIAの25言語対応の文字起こしモデルを1.2 GBから178 MBに縮め、8つのCPUコアで実時間の113倍の速さで動かします。

Muse Glimmer

Meta·汎用·オープンウェイト

4.1/5

Muse Sparkから蒸留されたMetaの30BのApache 2.0エージェントモデルです。コンシューマー向けGPU 1枚で動く検証済みの4ビット版が付属します。

Muse Wonder

Meta·汎用

4.1/5

Metaとして初めて最先端モデル並みの価格を付けたモデルです。長いコーディングと法務のエージェント作業に強いものの、Meta自身の表の大半でClaude Opus 5.5に及びません。

NVIDIAの550Bオープン推論モデル。学習データも公開され、提供が速く事実に慎重で、100万トークンあたり$0.40/$1.76からです。

テキストに加えてページ画像も読むNVIDIAの8Bオープンリランカー。公開時にViDoRe v3.1のリランキングボードで首位でした。

Nemotron 3.5 Super VL

NVIDIA·画像認識・マルチモーダル·オープンウェイト

4.1/5

画像、文書、動画を読み取るNVIDIAのオープンな120BのハイブリッドMamba MoEです。1Mトークンのコンテキストを持ち、学習レシピも公開されています。

OvisOCR2

Alibaba (ATH-MaaS)·OCR・文書·オープンウェイト

4.1/5

Alibabaによる0.8Bのページ解析モデルです。独立したOmniDocBenchの表で上位に入っていますが、すでにOvisOCR3に置き換えられています。

Parakeet TDT 0.6B v3

NVIDIA·音声認識·オープンウェイト

4.1/5

NVIDIAの6億（600M）パラメータの文字起こしモデルで、25のヨーロッパ言語に対応します。Artificial Analysisのランキングで最速です。

NVIDIAの音声モデルParakeetを、英語の精度をほぼ保ったまま164MBのダウンロードに収めた、ノートPCとスマートフォン向けのモデルです。

PP-OCRv6

Baidu (PaddlePaddle)·OCR・文書·オープンウェイト

4.1/5

Baiduによる、検出してから読む従来型のOCRのパイプラインです。1.5Mから34.5Mパラメータまでの3つの大きさがあり、Apache 2.0です。

pyannote speaker-diarization-community-1

pyannoteAI·音声認識·オープンウェイト

4.1/5

ほとんどの文字起こしの構成が「誰がいつ話したか」を割り出すのに使うオープンな話者分離のパイプラインです。話者の取り違えが減りました。

Seedream 5.0 Pro

ByteDance·画像生成

4.1/5

編集可能なデザイン作業向けに作られたByteDanceのフラッグシップの画像モデルです。最大20のレイヤー、座標指定の編集、14言語のテキストに対応します。

Xiaomi-OCR-0

Xiaomi·OCR・文書·オープンウェイト

4.1/5

Xiaomiによる0.8BのオープンなOCRモデルです。ページを解析し、それについての質問に答え、JSONの項目を埋めます。Apache 2.0です。

Cohere初の音声モデル。14言語に対応する2BのApache 2.0文字起こしモデルで、公開時にOpen ASR Leaderboardで首位に立ちました。

d3 (vLLM Semantic Router)

vLLM Semantic Router·判定モデル·オープンウェイト

4.0/5

動画入力と標準のvLLMでの提供に対応した、vLLM Semantic Routerのオープンな27Bの判定モデルです。すでに自らのd3-turboに追い越されています。

Deepgram Nova-3

Deepgram·音声認識

4.0/5

Deepgramの音声認識モデルです。Artificial Analysisのテストで2番目に速く、分単価も安いですが、精度では上位から大きく離されています。

Falcon OCR

Technology Innovation Institute (TII)·OCR・文書·オープンウェイト

4.0/5

TIIによる270MパラメータのOCRモデルです。1つの小さなTransformerでページを読み、3倍から10倍の大きさのモデルに驚くほど迫ります。

Briaの8Bオープン編集モデル。オープンウェイトの編集ランキングで首位、学習はライセンス済み画像のみですが、重みは非商用です。

FLUX 3 Image Klein

Black Forest Labs·画像生成·オープンウェイト

4.0/5

Black Forest Labsによる5.6Bのオープンな画像モデルです。FLUX 3の4K出力、編集、バウンディングボックスを備え、売上$5M未満なら商用でも無料で使えます。

gpt-oss-120b

OpenAI·推論·オープンウェイト

4.0/5

OpenAIの大きい方のオープンウェイト推論モデルです。Apache 2.0、動作パラメータ5.1B、80GBのGPU 1枚に収まります。

自分で書いた安全性ポリシーに照らして内容を分類し、その推論も見せる、OpenAIのオープンウェイトの推論モデルです。

GPT-Rosalind

OpenAI·推論

4.0/5

承認された研究機関向けの、OpenAIの利用制限付きライフサイエンスモデルです。創薬、ゲノミクス、タンパク質の研究を対象とします。

Granite 4.2

IBM·推論·オープンウェイト

4.0/5

IBMのApache 2.0のモデルファミリーで、エージェントとコーディング向けの3B、8B、30Bの密な推論モデルです。2026年8月に公開されました。

IBMのオープンな8Bの判定モデルで、有害性、ジェイルブレイク、RAGの幻覚、誤ったツール呼び出し、自分で書いた基準にイエスかノーで答えます。

IBMのApache 2.0音声モデル。6言語に対応し、文字起こしと翻訳を行い、2,000語のキーワードリストを受け付けます。

Ideogram 4.0

Ideogram·画像生成·オープンウェイト

4.0/5

画像内のテキストに強いIdeogramの9.3Bのデザインモデルです。ダウンロードできる重みは非商用なので、有償の仕事はAPI経由になります。

LFM3

Liquid AI·小型・オンデバイス·オープンウェイト

4.0/5

テキスト、ビジョン、音声、オムニ、型付き判定を扱うLiquid AIの6つの2Bモデルのファミリーで、すべて1つの1.7Bのベースから派生しています。

Ling-3.1-flash

Ant Group (inclusionAI)·推論·オープンウェイト

4.0/5

Ant Groupの560Bのオープンウェイトモデルです。毎秒200トークン超と高速で、MITライセンス、コンテキストは100万トークンです。

Microsoftの表現力ある音声合成。23言語に対応し100万文字あたり22ドル。音声エージェント向けに15ドルのFlash版もあります。

Maya 2 Native

Maya Research·音声合成·オープンウェイト

4.0/5

インドの11言語と英語に対応する、2.5BでApache 2.0のストリーミング音声合成モデルです。VoiceArenaのヒンディー語のランキングでは、MistralやEleven v3と並んでいます。

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

OpenBMB·画像認識・マルチモーダル·オープンウェイト

4.0/5

OpenBMBのApache 2.0ビジョンモデルです。文書に強い35BのMixture-of-Expertsと、スマートフォン向けの1Bがあります。

MiniCPM5-2B

OpenBMB·小型・オンデバイス·オープンウェイト

4.0/5

OpenBMBの2.5Bのオンデバイスモデルです。ツール呼び出しとコード修正は4Bモデル並みで、チェックポイントと訓練データも公開されています。

MiniMax-M3.1-Flash

MiniMax·汎用·オープンウェイト

4.0/5

常に推論するMiniMaxのオープンウェイトMoEです。M3の428B設計、一律$0.15/$0.60のAPI、1Mコンテキスト、そしてハルシネーションの問題があります。

Muse Spark 1.3

Meta·汎用

4.0/5

Metaのクローズドなエージェント・コーディングモデルです。1Mトークンのコンテキストを$1.25/$4.25で提供し、今はMuse Wonderの下の低価格帯です。

Muse Spark Open

Meta·汎用·オープンウェイト

4.0/5

Metaの816BのオープンウェイトMuse Sparkです。セルフホストできる1Mトークンのエージェントモデルですが、ライセンスには条件が付いています。

OmniVoice

k2-fsa (Next-gen Kaldi)·音声合成·オープンウェイト

4.0/5

Next-gen Kaldiのチームによる、600以上の言語で音声クローンと音声デザインができるオープンなゼロショットTTSです。

Qianfan-OCR

Baidu·OCR・文書·オープンウェイト

4.0/5

Baiduによる4.7Bのモデルで、ページの解析、項目の抽出、グラフの読み取りを1回でこなします。その代わり、大きさとページの精度で代償を払います。

Qwen-Image-2.1

Alibaba (Qwen)·画像生成·オープンウェイト

4.0/5

Alibabaの7Bのオープンな画像生成・編集モデルで、オープンウェイトのランキングで首位に立ち、透過画像も出力しますが、ライセンスは研究用途のみです。

Surya OCR 2.5

Datalab·OCR・文書·オープンウェイト

4.0/5

Datalabの689Mパラメータの文書パーサーです。レイアウト、OCR、表、数式をHTMLで返し、GPU 1基で高速に動き、売上$5M未満なら無料です。

Ternary Bonsai 2 9B

PrismML·小型・オンデバイス·オープンウェイト

4.0/5

PrismMLによるQwen3.5-9Bの3値化版です。ツール呼び出しに対応したビジョン言語モデルが2.42 GBのファイルに収まり、スマートフォンやノートPCで動きます。

編集できる楽譜を持つオープン楽曲モデル。WildSongBenchで最高水準のスコアと48 kHzのボーカルを出しますが、重みは非商用です。

Codestral 25.08

Mistral AI·コーディング

3.9/5

コード補完向けのMistralの高速なfill-in-the-middleモデルで、IDEツールでは今も既定の選択肢です。エージェント作業向けには作られていません。

DeepSeek-V4.1-Flash-1017 GSQ-RCO Coder (GGUF)

ISTA-DASLab (Institute of Science and Technology Austria)·コーディング·オープンウェイト

3.9/5

コード向けのDeepSeek-V4.1-Flashです。エキスパートの半分を削除し、残りを約2ビットにして、transformerを72.1 GBに収めています。

AI Dungeonの自社製テキストアドベンチャー用モデル。Gemma 4 31Bをベースに、Apache 2.0で公開されています。

FireRed-OCR

Xiaohongshu (FireRedTeam)·OCR・文書·オープンウェイト

3.9/5

XiaohongshuによるQwen3-VLの2Bのファインチューニング版です。自社の表ではエンドツーエンドのOCRモデルの首位に立ちますが、同じ表でパイプライン型には及びません。

Flint

Recursive·コーディング·オープンウェイト

3.9/5

Recursiveの最初のモデルです。パラメータ数40B、アクティブ2.5Bのオープンウェイトのコーディングモデルで、ノートパソコンで速く動くように作られています。

AlibabaのApacheライセンスの0.5Bストリーミング対応クローンモデルです。9言語、18以上の中国語方言に対応し、最初の音声まで約150 msです。

GPT Transcribe

OpenAI·音声認識

3.9/5

OpenAIのWhisperの後継です。GPT-4o Transcribeより正確で安価ですが、タイムスタンプと話者ラベルはありません。

IBMのApache 2.0小型埋め込みモデル。200以上の言語とコードに対応し、32Kのコンテキストと企業利用向けに審査済みの学習データを備えます。

デザイン作業向けのSpaceXSIの画像モデル。文字とレイアウトに強く、部分編集とスマートなリサイズができ、1枚0.04ドルからですが2Kが上限です。

82MパラメータのApache 2.0の音声モデルです。品質は中位で、Artificial Analysisのボードで最も安い音声です。

Kolibri 1

Aleph Alpha·推論·オープンウェイト

3.9/5

Aleph AlphaのApache 2.0のドイツ語・英語推論モデルです。パラメータ78B、動作3.46Bで、ドイツとフィンランドで訓練されました。

Luma Ray3.2

Luma AI·動画

3.9/5

ポストプロダクション向けのLumaの動画モデルです。16のキーフレーム、ネイティブのHDR、16ビットのEXRに対応し、APIとLumaアプリでクリップ単位で販売されています。

Mage-VL-Cowork

Microsoft·画像認識・マルチモーダル·オープンウェイト

3.9/5

Microsoftによる4Bのデスクトップエージェントです。画面をクリックするか、ターミナルでコードを実行するかを、1手ごとに選びます。

Marengo 3.5

TwelveLabs·埋め込み・リランキング

3.9/5

TwelveLabsの動画を主眼とする埋め込みモデルです。動画、音声、画像、テキスト、PDFのページを1つの512次元の空間にまとめ、トークン単位で課金します。

Matrix-Game 4.0

Skywork AI (Kunlun Tech)·ゲーム・ワールドモデル·オープンウェイト

3.9/5

ゲームエンジンが描くローポリのフレームをリアルタイムで描き直す、Skyworkによる5Bのオープンモデルです。対応するのは同梱の3つのシーンだけです。

GoogleのオープンなCT・MRIボリューム、病理スライド、検査報告を読む4B医療モデル。開発者が適応させるための土台です。

Qwen3.5-9Bを基にしたMicrosoftの判断モデル。はい/いいえ、選択、スコアを確率付きで返し、入力100万トークンあたり0.042ドルです。

MiniMax-M3

MiniMax·汎用·オープンウェイト

3.9/5

MiniMaxのオープンウェイトのマルチモーダルMoEです。1Mトークンのコンテキスト、スパースアテンション、$0.30/$1.20のAPI、条件付きのライセンスがあります。

Ai2のオープンな8B動画モデル。フレームをまたいで物体を指し示し追跡でき、学習データも公開されています。

MOSS-Transcribe-Diarize 0.9B

OpenMOSS (MOSI)·音声認識·オープンウェイト

3.9/5

最大90分の音声を1回の処理で文字起こしし、話者を識別し、タイムスタンプを付ける0.9Bのオープンモデルです。

NVIDIAの600Mライブ字幕モデル。40の言語・地域に対応し、80 msからのチャンクで、H100 1枚で数千ストリームを処理します。

Nemotron 3.5 Bolt (74B-A9B 24GB and E4B 4GB)

NVIDIA·小型・オンデバイス·オープンウェイト

3.9/5

NVIDIAのローカルエージェント向けの2モデルです。24 GBを名前に掲げた2ビットの74Bビジョンモデルと、音声アシスタント向けのGemmaベースの4Bです。

Ripple-65B Preview

Ricursive Intelligence·コーディング·オープンウェイト

3.9/5

AlphaChipの創業者による65Bの密なオープンウェイトのコーディングモデルです。自己申告のエージェント系スコアは、はるかに大きな競合と並びます。

Sage-A1.5

Shanghai AI Laboratory (InternScience)·推論·オープンウェイト

3.9/5

Shanghai AI Labによる研究タスク向けの35Bのエージェントモデルです。サブエージェントへの分散と自己確認モードを内蔵し、Apache 2.0で公開されています。

Sakana Fugu (Fugu, Max and Ultra v2)

Sakana AI·推論

3.9/5

Sakana AIのオーケストレーター。1つのAPIで各タスクを非公開のフロンティアモデル群に振り分け、回答を統合します。

ライセンス済みデータで学習したStabilityの音声モデル群。Mediumは最長6:20のインスト、小型2種はスマホで動作。歌詞入力はありません。

zerank-2

ZeroEntropy (Notion)·埋め込み・リランキング·オープンウェイト

3.9/5

較正されたスコアを返すZeroEntropyの4Bのオープンなリランカーです。Notionが同社を買収し、ホスト型APIが停止して以降、Apache 2.0になっています。

Audio8 TTS

Edge0·音声合成·オープンウェイト

3.8/5

Apache 2.0の0.6Bパラメータの音声クローンモデルで、23言語に対応し、数倍の規模のモデルに近いエラー率を示します。

Beam

Reflection·推論·オープンウェイト

3.8/5

Reflection初のオープンモデルです。501Bパラメータで23Bがアクティブ、Apache 2.0で、タスクあたりの推論トークンは競合より少なめです。

Breeze TTS 2

BreezeBlue·音声合成·オープンウェイト

3.8/5

パラメータ数3.5Bの音声クローンと音声デザインのモデルです。オープンウェイトのアリーナで上位にいますが、商用のセルフホストは禁止されています。

Command A+

Cohere·汎用·オープンウェイト

3.8/5

エージェントと多言語RAG向けのCohereの218B mixture-of-expertsモデルです。重みはApache 2.0で、H100 2枚に収まります。

コミュニティで定番のローカル用ロールプレイモデル。24 GBのカードに収まるMistral Small 3.2のファインチューンで、評価は主にファンによるものです。

GoogleによるGemma 4 26Bの実験的な拡散版。H100 1枚で毎秒1,000トークン超を出す代わりに、品質ははっきり落ちます。

GPT-5.6-Cyber

OpenAI·推論

3.8/5

審査を通ったDaybreak Redの研究者向けに2026年8月に出たOpenAIのサイバーモデルです。GPT-6 Cyberに後継を譲りましたが、今も販売されており、より安価です。

gpt-oss-20b

OpenAI·小型・オンデバイス·オープンウェイト

3.8/5

OpenAIのApache 2.0オープンウェイト推論モデルです。動作パラメータは3.6Bで、ノートPCや一般向けGPUの16GBのメモリで動くサイズです。

Grok 4.7

SpaceXSI (formerly xAI)·汎用

3.8/5

チャット、コード、エージェント向けのSpaceXSIの主力Grokモデルです。100万トークンあたり$2／$6、500Kのコンテキスト、そして非常に長い思考時間が特徴です。

Boson AIの4B会話音声モデルです。100以上の言語に対応し、インラインの感情タグとクローンを備えますが、ライセンスは非商用です。

感情と声質を別々に調整できるBilibiliの音声クローンモデルです。5言語に対応し、ライセンスは1億ユーザー未満なら無料です。

22のインドの言語と英語に対応する3Bの音声モデルです。同意した声優の声を使い、クローンはなく、APIは₹6からです。

Infinity-Parser2-Flash

INF Technology (infly)·OCR・文書·オープンウェイト

3.8/5

INFによる2.2Bの解析モデルです。olmOCR-Benchとグラフには強いものの、単一ストリームでは遅く、OmniDocBenchではより小さな競合に劣ります。

Thinking Machines LabのApacheライセンス975Bモデルは、聞いて見ることができます。ファインチューンの土台には良いものの、視覚ではKimi K2.6に劣ります。

Jev

TypeSafe AI·判定モデル

3.8/5

TypeSafe AIのホスト型の判断モデルです。型付きの選択、スコア、yes/noの確率を、100万入力トークンあたり$0.042で返し、出力は無料です。

Kreaの12.9Bオープン画像モデル。Turboは8ステップで2K画像を生成し、Rawは学習用のベース。ただしライセンスは売上100万ドルまで。

LFM2.5-24B-A2B

Liquid AI·小型・オンデバイス·オープンウェイト

3.8/5

Liquid AIの24Bの推論モデルで、動作パラメータは2.45Bです。ノートPC上でツールを呼び出すよう、エージェントのハーネス内で訓練されています。

Ling-3.0-flash-Sante

Ant Group (inclusionAI)·汎用·オープンウェイト

3.8/5

Ant GroupのMITライセンスの124B医療モデルで、動作パラメータは5.1Bです。自社の医療ベンチマークでは最先端に近く、価格はごく一部です。

名前を挙げたものに素早くボックスや点を描くNVIDIAの3Bモデル。ただしライセンスは非営利の研究用に限られます。

Meituanの1.6兆パラメータのエージェント・コーディングモデル。MITライセンスで中国製チップで学習され、100万トークンあたり$0.30/$1.20です。

LTX-2.5

Lightricks (LTX)·動画·オープンウェイト

3.8/5

Lightricksの22Bのオープンな動画モデルで、同期した音声とマルチショットのシーンに対応します。APIでは最大4Kで、1秒あたり$0.09からです。

JetBrainsのApacheライセンスの12Bコーディングエージェント用モデル。アクティブ2.5Bで、自分のGPUで高速なサブエージェントを動かすために作られています。

Ant GroupのMITライセンス6Bデザインモデル。Artificial AnalysisのUIランキングでオープンウェイト首位だが、80GBのGPUが必要。

Mistral Medium 3.5

Mistral AI·汎用·オープンウェイト

3.8/5

Mistralのdenseな128Bオープンウェイトのコーディング・エージェントモデルはGPU 4台に収まりますが、ライセンスは月商2,000万ドル（$20M）超の企業を締め出します。

MOSS-Image

OpenMOSS (MOSI)·画像生成·オープンウェイト

3.8/5

Apache 2.0の5Bのオープンな画像モデルです。JSONのレイアウトで指示した場所に文字や物体を配置し、長いテキストもうまく描きます。

mxbai-rerank v2

Mixedbread·埋め込み・リランキング·オープンウェイト

3.8/5

MixedbreadのApache 2.0のリランカーです。0.5Bと1.5Bのサイズがあり、100以上の言語と8Kトークンのコンテキストに対応し、セルフホスト向けに作られています。

Nanbeige4.3-33B

BOSS Zhipin (Nanbeige LLM Lab)·コーディング·オープンウェイト

3.8/5

BOSS Zhipinの研究所によるdenseな33Bのオープンモデルです。エージェント型コーディングで30Bクラスの首位を主張しており、Apache 2.0で公開されています。

Nemotron ColEmbed V2

NVIDIA·埋め込み・リランキング·オープンウェイト

3.8/5

OCRなしでページ画像を検索するNVIDIAのlate interaction型リトリーバーです。正確ですが、ストレージを大量に使い、どのサイズも非商用です。

Nemotron OCR v2

NVIDIA·OCR・文書·オープンウェイト

3.8/5

RAGへの取り込み向けの、NVIDIAによる84Mパラメータの検出器と認識器から成るOCRです。A100で毎秒約35ページを処理し、商用利用が許諾されています。

NVIDIAのオープンなゲームプレイ用エージェント。画面を見てゲームパッドのボタンを押し、他人の4万時間のプレイから学習しています。

Pika H3 Flex

Pika (Mellis, Inc.)·動画·オープンウェイト

3.8/5

PikaによるMiniMax H3の6ステップの事後学習版です。ステレオ音声付きの動画をMiniMaxのAPIの半額で作れますが、MiniMaxの地域制限付きのライセンスが適用されます。

Runway Gen-4.5

Runway·動画

3.8/5

Runway自社開発の動画モデルです。2025年のリーダーボードの勝者でしたが、今は順位を落とし、競合のモデルも再販するスイートの中で販売されています。

VibeVoice-ASR

Microsoft·音声認識·オープンウェイト

3.8/5

1時間の音声を1回で処理し、誰がいつ話したかをラベル付けする、MicrosoftのMITライセンスの文字起こしモデルです。

ゲーミングPCで一人称の遊べる世界を生成する1.2Bのワールドモデル。RTX 5090なら最大720p・56 fpsです。

Whistle

Cactus Compute·音声認識·オープンウェイト

3.8/5

依存関係なしにCPUで動く、7言語対応の16.9 MBの音声認識モデルです。コミュニティによる移植版は$10のチップにも収まります。

中国のZidong Taichuチームによる9Bのビジョン言語モデルです。OCRの性能を少し犠牲にして、空間推論とツール利用を強化しています。

Chatterbox

Resemble AI·音声合成·オープンウェイト

3.7/5

Resemble AIによるMITライセンスの音声クローンモデル群です。110MのCPU向けモデルから23言語対応まであり、すべてのクリップに透かしが入ります。

Cohere Rerank 4

Cohere·埋め込み・リランキング

3.7/5

2025年12月に公開されたCohereのリランカーで、ProとFastの2版があり、コンテキストは32Kトークンです。2026年10月21日にRerank 5に置き換えられました。

DecisionNode

Bynn Intelligence·判定モデル

3.7/5

Bynn Intelligenceのホスト型判定モデルで、確信度付きで6種類の型付き回答を返します。デバイス向けに小型のオープンウェイトEdgeモデルも2つあります。

DeepSeek-OCR 2

DeepSeek·OCR・文書·オープンウェイト

3.7/5

DeepSeekの3Bのオープンな文書読み取りモデルで、読む前にページの順序を組み替えます。ただし現在はPaddleOCR-VLとUnlimited-OCRがスコアで上回っています。

ERNIE 5.1

Baidu·汎用

3.7/5

ERNIE 5.0からわずかなコストで蒸留されたBaiduのクローズドな旗艦モデルです。検索と数学に強い一方、中国国外では購入が難しいモデルです。

FrogNano-4B-2609

Microsoft·コーディング·オープンウェイト

3.7/5

Microsoftの4Bの研究用コーディングエージェントです。合成タスクでの強化学習だけで訓練され、SWE-bench Verifiedで61.5%（自社発表）を記録しています。

出力層だけをフィクション向けに再学習したGemma 4 31B。決まり文句が減り、中身は同じモデルのままです。

1分0.017ドルのOpenAIのストリーミング音声認識。遅延の調整とキーワードのヒントはありますが、話者ラベルやタイムスタンプはありません。

Gemma 4 12Bをファインチューニングしたオープンな12Bモデルです。AIが書いた英語と中国語の下書きを、事実を保ったまま、オフラインで人が書いたように書き直します。

Hy-Memory-30B-A3B

Tencent (Hy, formerly Hunyuan)·汎用·オープンウェイト

3.7/5

アクティブ3BのTencentのモデルで、仕事はひとつです。エージェントの長期記憶に何を残すかを、フロンティアLLMの代わりに判断します。

キーボードとマウスで操作するTencentのリアルタイム動画ワールドモデル。学習コード一式付きですが、データセンター級のGPUが必要です。

Iris-3B

Speridlabs·画像生成·オープンウェイト

3.7/5

VAEを使わずピクセルを直接描くSperidlabsの3Bのテキストから画像へのモデルです。4ステップのTurboと、深度推定とアップスケーリングのファインチューンも付きます。

Jina OCR v1

Jina AI (Elastic)·OCR・文書·オープンウェイト

3.7/5

現在Elasticの一部であるJina AIによるDeepSeek-OCRのファインチューニング版で、安価なGPUでの毎秒のページ数を重視して調整されています。重みは非商用です。

SberのMITライセンス音声付き動画ファミリー。16GBカード向けの3B Liteと29B Proがあり、どちらもクリップは5秒まで。

Sand AIのApacheライセンス、音声付き114B動画モデル。アリーナで16位だが、動かすにはHopper GPUが8基要る。

Microsoft初の自社製推論モデルです。1Tパラメータの専門家混合モデルで、100万トークンあたり2ドル/8ドル。最先端からは一段下です。

Mistral Small 4

Mistral AI·汎用·オープンウェイト

3.7/5

Apache 2.0のMistralのMixture-of-Expertsです。1,190億パラメータ、画像入力、切り替え可能な推論を備え、100万トークンあたり$0.15/$0.60です。

ScaleDown Constrained Decoding Models (Classify, Extract, Summarize)

ScaleDown·判定モデル

3.7/5

ScaleDownのホスト型の分類、抽出、要約モデルで、100万入力トークンあたり$0.05です。Jevと同じ形のDecisionsエンドポイントも備えています。

Upstageの250Bオープンモデル。韓国語・英語・日本語の事務作業向けで100万トークンのコンテキストを持ちますが、トークン単位で借りられる場所はありません。

Spark-X2.6-4B

iFlytek (SparkLLM)·小型・オンデバイス·オープンウェイト

3.7/5

iFlytekによるApache 2.0の4Bのオンデバイスのエージェントモデルです。ツールとコードでQwen3.5-9Bに勝つとしており、1Mトークンのコンテキストを備えています。

text-embedding-3-large

OpenAI·埋め込み・リランキング

3.7/5

OpenAIの最上位の埋め込みモデルで、2024年1月から変わっていません。どこでも対応していて安価ですが、検索性能ではもうトップではありません。

WeiboのMITライセンスの3B推論モデル。AIME 2026で94.3、最近のLeetCode問題の96.1%を解きますが、ほかの用途にはほとんど向きません。

Whisper large-v3-turbo

OpenAI·音声認識·オープンウェイト

3.7/5

OpenAIのオープンウェイトの音声認識モデルで、自前ホスティングでの文字起こしの定番であり続けています。

Z-Image-Turbo

Alibaba (Tongyi-MAI)·画像生成·オープンウェイト

3.7/5

AlibabaのTongyiラボによる6BのApacheライセンスの画像モデルです。16GBの一般向けGPUで8ステップで動きます。

Aion 3.5

Aion Labs (Deep Forge)·ロールプレイ・キャラクター

3.6/5

GLMベースの複数のモデルが共同で各返答を書く、ロールプレイと物語作りのためのシステムです。公開のベンチマークはまだありません。

ByteDance SeedのApache 2.0モデル。1組の重みで画像を理解し、描き、編集します。

Clef

Cloudflare·判定モデル·オープンウェイト

3.6/5

テキストと画像に関する型付きの選択肢を採点する、Cloudflareのオープンな27Bの判定モデルです。Workers AIで、Jev互換のAPIから提供されています。

Clover-35B-A3B-Preview

DiffuSpace·汎用·オープンウェイト

3.6/5

Qwen3.6-35B-A3Bから変換された拡散言語モデルで、32トークンのブロックを並列に書き出します。Apache 2.0で公開されています。

dots.ocr

Xiaohongshu (rednote hi lab)·OCR・文書·オープンウェイト

3.6/5

Xiaohongshuによる2025年の多言語レイアウト解析モデルです。いまも多くダウンロードされていますが、開発元自身と3つの新しい競合がすでに先へ進んでいます。

BaiduのApacheライセンス8B画像モデル。8ステップのTurboもあり、ポスターや長文テキストは得意だが、アリーナでの順位は低い。

Falcon-H1R-7B

Technology Innovation Institute (TII)·推論·オープンウェイト

3.6/5

TIIによる7Bの数学・コーディング向け推論モデルです。TransformerとMambaのハイブリッド設計、256Kのコンテキスト、クレジット表記を求めるライセンスを備えています。

DeepMindのリアルタイム世界モデル。音声も生成し、テキストでその場で操作できます。見事ですが、まだほぼ誰も使えません。

GLiNER2.5-Decide

Fastino·判定モデル·オープンウェイト

3.6/5

Fastinoの10億パラメータ未満のゼロショット分類器です。呼び出し時に任意のラベルを渡せば、プロンプトも生成もなしにCPU上で1つを返します。

SpaceXSIの音声付き動画モデル。最長15秒、最高1080p、1秒$0.08から。ディープフェイクで調査を受けている企業の製品です。

Limite 1B - Violetto

Paradigma·小型・オンデバイス·オープンウェイト

3.6/5

ローマのスタートアップによる1Bの数学モデルです。競技数学の問題では30Bのモデルに並びますが、それ以外のほとんどすべてを読み違えます。

シーンを動かすエージェント付きで1時間のプレイをうたう、Ant Groupの14Bワールドモデル。ライセンスは非商用です。

GitHub Copilot向けのMicrosoftの小型コーディングモデル。100万トークンあたり0.20/1.20ドルと安価ですが、価格とTerminal-BenchではDeepSeekに劣ります。

Needle 3

Cactus Compute·小型・オンデバイス·オープンウェイト

3.6/5

スマートフォン、ロボット、ハブの上で、依頼を関数呼び出しに変える29Mから121Mのモデルです。スマートフォンのコマンドには強く、それ以外では弱めです。

3秒の音声から声をクローンし、すべてのクリップに透かしを入れるNeuphonicのオンデバイス音声モデルです。Raspberry Piからノートパソコンまで動きます。

Ornith-1.5-122B

Ornith·コーディング·オープンウェイト

3.6/5

自ら課題を作る自己改善ループで学習した、122Bのオープンウェイトの推論・コーディングモデルです。ライセンスはMITです。

Qwen-Image-Edit-2511

Alibaba (Qwen)·画像編集·オープンウェイト

3.6/5

AlibabaのApacheライセンスの画像編集モデルです。品質は中位ですが、製品に使えるオープンな編集モデルの中で最もすっきりしたライセンスです。

Qwen3.5-397B-A17B

Alibaba (Qwen)·汎用·オープンウェイト

3.6/5

AlibabaのQwen3.5で最初のオープンモデルです。Apache 2.0の397B MoEで17Bがアクティブですが、今ではQwen3.8と自社のホスト版に追い抜かれています。

Sakana Namazu

Sakana AI·汎用

3.6/5

Kimi K2.6をベースにしたSakana AIの日本語向けモデルです。Web検索とコード実行を内蔵し、OpenAI形式のAPIで提供されます。

インドでゼロから学習した最大のオープンモデル。Apacheライセンスで22のインドの言語に合わせて調整され、SarvamのAPIでは安価ですがコードは苦手です。

Underdog Saluki 27B 1.0

Conway Research (Underdog)·小型・オンデバイス·オープンウェイト

3.6/5

Qwen3.8-27Bを7.89 GBの2-bitファイルに詰め込み、ツール呼び出しをそのまま保ったモデルです。Apache 2.0です。

Xing4.0-29B-A4B

China Telecom (XingChen)·汎用·オープンウェイト

3.6/5

China TelecomのApache 2.0のエージェントモデルです。注目点はスコアよりも、HuaweiのAscendチップだけで学習されたことです。

Microsoft Researchの2Bモデル。重みを-1、0、+1だけにして最初から学習し、メモリ0.4 GBで普通のCPUでも高速です。

Black Forest Labsの32Bオープン画像編集・生成モデル。他の画像モデルを測る基準ですが、今ではBFL自身のKleinに抜かれています。

HunyuanImage 3.0 Instruct

Tencent (Hunyuan)·画像編集·オープンウェイト

3.5/5

推論ステップを備えたTencentの80Bのオープン画像モデルです。オープンな編集モデルでは3位ですが、8 GPUのノードが必要で、欧州では使えません。

Tencentの8.3B動画モデルは14GBのカードで動き1080pまでアップスケールできるが、クリップは無音で、ライセンスは欧州を除外。

Meituanの13.6B MITライセンス動画モデルはクリップを数分の720p映像まで延ばせるが、無音で、一世代遅れている。

Qwen3-TTS

Alibaba (Qwen)·音声合成·オープンウェイト

3.5/5

AlibabaのApacheライセンスの音声合成モデル群です。1文から声を設計し、3秒の音声から声を複製できますが、悪用への安全策はありません。

ノートPCで動く、Mistral Nemoベースの12Bロールプレイ用ファインチューン。人気はあるものの、検証しているのは利用者だけです。

SenseNova-Loop-9B-Preview

SenseTime (SenseNova)·画像認識・マルチモーダル·オープンウェイト

3.5/5

SenseTimeによる9Bの画像とテキストのモデルで、中間の24層を2回実行します。オフィス業務のエージェントを狙ったもので、Apache 2.0です。

SmolLM3-3B

Hugging Face·小型・オンデバイス·オープンウェイト

3.5/5

Hugging Faceの完全にオープンな3Bモデルです。推論を切り替えられ、コンテキストは128Kで、学習のレシピ全体が公開されています。

all-MiniLM-L6-v2

Sentence Transformers (Hugging Face)·埋め込み・リランキング·オープンウェイト

3.4/5

数えきれないほどのチュートリアルで定番になった埋め込みモデルです。いまはテスト、プロトタイプ、短い英語テキスト向けにとどめるのが最適です。

Decision-2.0-Nox-4B (vLLM Semantic Router)

vLLM Semantic Router·判定モデル·オープンウェイト

3.4/5

vLLM Semantic RouterのApacheライセンスの4Bテキスト判定モデルです。較正は良好ですが、同じチームのd3-miniにすでにスコアで抜かれています。

Devstral Small 2

Mistral AI·コーディング·オープンウェイト

3.4/5

RTX 4090 1枚または32GBのMacで動く、MistralのApache 2.0の24Bコーディングモデルです。コンテキストは256Kで、画像入力に対応します。

LG AI ResearchのApacheライセンスの750Bモデル。韓国語、長文書、安全性に強く、コードと難しい推論は弱めです。

KittenTTS 2

KittenML (Stellon Labs)·音声合成·オープンウェイト

3.4/5

音声クローン機能を持つ1.7Bの3値の音声モデルです。ダウンロードは1 GB未満でGPUなしで動きますが、ライセンスは厳しいコミュニティライセンスです。

ModernBERTを基にしたApache 2.0の判定モデルです。型付きの質問に数十ミリ秒で答えますが、正確さを得るにはファインチューニングが必要です。

Phi-4-Reasoning-Vision-15B

Microsoft·推論·オープンウェイト

3.4/5

Microsoftの最新の小型Phiモデルです。15BでMITライセンス、画像を読み、段階的な推論のオンとオフを切り替えられます。

Arceeの米国製398Bオープン推論モデル。エージェント向けでツール利用のテストに強いものの、ホスト型エンドポイントがなくなりウェイトのみになりました。

Z.aiのMITライセンス16B画像モデル。画像内テキストでは自社比較でトップだが、H100で1枚に約1分かかる。

Phi-4-multimodal

Microsoft·画像認識・マルチモーダル·オープンウェイト

3.3/5

音声、画像、テキストを1つのネットワークで受け取る、MicrosoftのMITライセンスの5.6Bモデルです。公開から20か月が経っています。

Sesameのオープンな会話音声ベースモデルです。英語、文脈に応じた話し方、Apacheライセンスで、今も同社唯一のオープンリリースです。

Veo 3.1

Google DeepMind·動画

3.3/5

APIからは引退したGoogleの動画モデルです。延長と最終フレームの制御が必要なチーム向けに、企業向けクラウドではGAとして今も提供されています。

Devstral 2

Mistral AI·コーディング·オープンウェイト

3.1/5

2025年12月に公開されたMistralの123Bのオープンなコーディングモデルです。現在はAPIから退役し、Mistral Medium 3.5に置き換えられています。

d1-omni-600M

Liquid AI·判定モデル·オープンウェイト

3.0/5

テキスト、画像、短い音声クリップに対応するLiquid AIの実験的な587M判定モデルです。3週間後にd1-Omni-2Bに追い抜かれました。