Modèles qui lisent des images, des documents ou des vidéos aux côtés du texte.
Sélection rapide
38 modèles
Anthropic
Anthropic's April 2026 flagship. 87.6% on SWE-bench Verified, 3x higher image resolution, output self-verification, vision + reasoning.
reasoningagenticvision
6,00 $US/1M entrée
30,00 $US/1M sortie
Anthropic
Anthropic's balanced mid-tier model from February 2026. Best price/performance for production workloads: 5x cheaper than Opus, near-flagship quality.
balancedproductionagentic
3,60 $US/1M entrée
18,00 $US/1M sortie
Google DeepMind
Google's April 2026 fast multimodal model. Combines Gemini 3 Pro's reasoning with Flash-tier latency and price. Default model in the Gemini app.
balancedmultimodallow-latency
0,60 $US/1M entrée
3,60 $US/1M sortie
Google DeepMind
Google DeepMind's February 2026 flagship. 1M-token (1,048,576) context, native multimodal (text/image/audio/video), Deep Think reasoning.
multimodaldeep-thinklong-context
2,40 $US/1M entrée
14,40 $US/1M sortie
OpenAI
OpenAI's unified flagship combining GPT and o-series reasoning into one model. 1M context, multimodal, top SWE-Bench Pro and OSWorld scores.
reasoningagenticvision
3,00 $US/1M entrée
18,00 $US/1M sortie
OpenAI
OpenAI's efficient mid-tier model. 2x faster than its predecessor, 400k context, approaches GPT-5.4 quality on SWE-Bench Pro at a fraction of the cost.
balancedcost-efficientvision
0,90 $US/1M entrée
5,40 $US/1M sortie
Salesforce
Salesforce BLIP. Vision-language model for image captioning and visual question answering. Given an image it writes a short natural-language caption, or answers a question about the image when one is supplied. A widely used baseline for automatic captioning.
blipcaptioningvqa
≈ 0,00030 $US/exécution
Community
pharmapsychotic's CLIP Interrogator. Takes an image and produces a Stable-Diffusion-style text prompt by combining BLIP captioning with CLIP to rank likely subjects, artists, mediums and styles. Commonly used to reverse-engineer a prompt from an existing picture.
clip-interrogatorcaptioningtagging
≈ 0,0457 $US/exécution
Community
Monocular depth-estimation model trained on 595k labeled and 62M unlabeled images. Strong zero-shot generalization in indoor and outdoor scenes.
depthvision-understandingopen-weights
≈ 0,0050 $US/exécution
Meta Segment Anything 2. Promptable segmentation across images and video with temporal memory. Zero-shot, point/box/mask prompts, fast on a single H100.
segmentationvision-understandingopen-weights
≈ 0,018 $US/exécution
Anthropic
Anthropic's fastest and cheapest 4.x model. Strong vision and tool use at ultra-low latency, ideal for high-concurrency workloads.
cost-efficientlow-latencyvision
1,20 $US/1M entrée
6,00 $US/1M sortie
OpenAI
OpenAI's smallest and cheapest GPT-5.4 variant. Built for high-volume classification, extraction and coding subagents at edge-grade latency.
cost-efficientlow-latencyvision
0,24 $US/1M entrée
1,50 $US/1M sortie
Community
Tsinghua CogVLM2 19B with Llama-3 8B base plus 11B vision expert. Strong document understanding and visual reasoning, 8k context.
multimodalvision-understandingtsinghua
≈ 0,0114 $US/exécution
DeepSeek
DeepSeek-VL 7B chat model. Vision-language model with hybrid vision encoder and strong real-world visual question answering performance.
multimodalvision-understandingopen-weights
≈ 0,0086 $US/exécution
Community
Naver CLOVA Donut OCR-free document-understanding transformer. End-to-end JSON extraction from forms, receipts and invoices without explicit OCR.
ocrvision-understandingnaver
≈ 0,0648 $US/exécution
Community
Rednote Hilab Dots OCR. End-to-end document parsing model with layout, text and reading-order prediction in one transformer.
ocrvision-understandingopen-source
≈ 0,0132 $US/exécution
Community
JaidedAI EasyOCR. Simple Python OCR wrapper supporting 80+ languages with deep-learning text detection and recognition.
ocrvision-understandingmultilingual
≈ 0,0014 $US/exécution
Community
Microsoft Florence-2 Large. Unified prompt-based vision foundation model for captioning, detection, segmentation and OCR with a single 770M-param backbone.
multimodalvision-understandingmicrosoft
≈ 0,0012 $US/exécution
Community
Global-Local Path Networks depth-estimation model. Combines hierarchical transformer encoder with selective feature fusion for sharp boundaries.
depthvision-understandingopen-source
≈ 0,0094 $US/exécution
Community
StepFun GOT-OCR 2.0. Unified end-to-end OCR-2.0 model handling text, formulas, charts, sheet music and geometric shapes in one architecture.
ocrvision-understandingstepfun
≈ 0,0012 $US/exécution
Community
Grounding DINO plus SAM. Open-vocabulary text-prompted detection and segmentation in one pipeline for fully-automatic mask generation.
segmentationvision-understandingopen-vocabulary
≈ 0,0015 $US/exécution
Community
Hugging Face Idefics3 8B. Llama-3 based open-source vision-language model with strong document QA and chart-understanding performance.
multimodalvision-understandingopen-weights
≈ 0,0012 $US/exécution
Community
Meta Llama 3.2 11B Vision served via Ollama on Replicate. Open-weights multimodal model for image captioning, document and chart reading, and visual question answering.
metallamavision-understanding
≈ 0,0039 $US/exécution
Community
Meta Llama 3.2 90B Vision. Largest open-weights Llama vision model. Strong visual reasoning, chart, OCR and document understanding.
multimodalvision-understandingmeta
≈ 0,0070 $US/exécution
Community
LLaVA 1.6 (LLaVA-NeXT) with a Vicuna-13B language backbone. Open vision-language chat model that describes images, answers questions, reads charts and reasons about scenes. Version 1.6 adds higher input resolution and better OCR and reasoning than LLaVA 1.5.
llavacaptioningvqa
≈ 0,1021 $US/exécution
Community
Lotus generative depth model. Treats depth as a generation task using a diffusion model, producing higher-fidelity depth on textured surfaces.
depthvision-understandingdiffusion
≈ 0,0408 $US/exécution
Community
ETH Zurich Marigold. Diffusion-based monocular depth-estimation model fine-tuned from Stable Diffusion with strong fine-detail recovery.
depthvision-understandingdiffusion
≈ 0,0936 $US/exécution
Meta
Meta Mask2Former universal image-segmentation transformer. Single architecture for panoptic, instance and semantic segmentation tasks.
segmentationvision-understandingtransformer
≈ 0,0276 $US/exécution
Community
Intel MiDaS v3.1 relative depth-estimation model. Robust zero-shot single-image depth across diverse domains and resolutions.
depthvision-understandingintel
≈ 0,00030 $US/exécution
Community
OpenBMB MiniCPM-V 2.6. 8B vision-language model with strong single-image, multi-image and video understanding plus OCR capabilities.
multimodalvision-understandingopen-weights
≈ 0,0015 $US/exécution
Community
Allen AI Molmo 7B-D on Replicate. Open vision-language model trained on the PixMo data, notable for pointing at and locating objects in images, not just describing them.
allenaimolmovision-understanding
≈ 0,0505 $US/exécution
Community
Moondream2 small vision-language model on Replicate. About 1.9B params, designed to run on edge devices, handles captioning, visual QA and short OCR-style reads at very low cost.
moondreamvision-understandingopen-source
≈ 0,0020 $US/exécution
Community
Allen AI olmOCR. Open-source 7B vision-language model fine-tuned for high-fidelity document parsing including math, code and tables.
ocrvision-understandingallenai
≈ 0,0205 $US/exécution
Community
CMU OpenPose multi-person 2D pose estimator. Real-time keypoint detection for body, hand, face and foot using Part Affinity Fields.
posevision-understandingcmu
≈ 0,0012 $US/exécution
Community
Baidu PaddleOCR v3 PP-OCR pipeline. Lightweight detector plus recognizer optimized for production use with 80+ language support.
ocrvision-understandingbaidu
≈ 0,0216 $US/exécution
Community
Alibaba Qwen2-VL 7B served on Replicate. Open-weights vision-language model that chats about images and video, with dynamic resolution and strong OCR and document QA for its size.
qwenalibabavision-understanding
≈ 0,0024 $US/exécution
Community
NVIDIA SegFormer-B5 semantic segmentation. Hierarchical transformer encoder with lightweight MLP decoder, strong ADE20k and Cityscapes results.
segmentationvision-understandingnvidia
≈ 0,00030 $US/exécution
Community
Intel ZoeDepth metric depth-estimation model. Combines relative-depth pretraining with metric fine-tuning for absolute distance in real units.
depthvision-understandingintel
≈ 0,00060 $US/exécution
xAI
xAI's May 2026 flagship. 1M context, vision, always-on reasoning, real-time X/web retrieval via DeepSearch.
reasoningvisiondeep-search
Actuellement non proposé
Anthropic
Anthropic Claude 3.5 Sonnet with image input. 200k context, strong on dense documents, tables, charts and handwriting. Reliable structured extraction from screenshots and scans.
visionmultimodaldocument-qa
Actuellement non proposé
Google DeepMind
Google Gemini 1.5 Pro with native multimodal input. Reads images, long PDFs, audio and video in up to a 2M-token context, useful for whole-document and long-video understanding.
geminivisionmultimodal
Actuellement non proposé
xAI's cost-efficient high-throughput model. 2M context, optional reasoning, optimized for agentic loops and real-time apps.
cost-efficientvisiondeep-search
Désactivé
Salesforce
Salesforce BLIP large checkpoint for image captioning, served through Hugging Face Inference. Given a photo it returns a short English caption. The large variant gives more accurate captions than the base model and is a common drop-in for alt-text and image indexing.
blipcaptioningvision-understanding
Actuellement non proposé
Meta
Meta Detectron2 object-detection and segmentation toolkit. Mask R-CNN, Cascade R-CNN, panoptic FPN and many other model variants in one wrapper.
segmentationvision-understandingdetection
Désactivé
Meta
Meta DINOv2 self-supervised vision backbone. Pretrained features for classification, segmentation and depth without task-specific fine-tuning.
segmentationvision-understandingopen-weights
Désactivé
Community
DWPose whole-body 2D pose estimator. Two-stage knowledge-distilled model with strong accuracy on face, hands and body keypoints simultaneously.
posevision-understandingopen-source
Désactivé
Google DeepMind
Google Gemini 1.5 Flash, the fast low-cost multimodal model. 1M-token context, image/audio/video input, good for high-volume captioning, classification and long-video skim tasks.
geminivisionmultimodal
Actuellement non proposé
xAI's vision-capable Grok 2 snapshot. Image-in, text-out with strong multilingual instruction following.
vision
Désactivé
Community
Microsoft HRNet high-resolution pose-estimation backbone. Parallel multi-resolution streams yield strong accuracy on COCO keypoint benchmarks.
posevision-understandingmicrosoft
Désactivé
Community
OpenGVLab InternVL 2.5 78B. Open-source vision-language model approaching GPT-4o on MMMU, OCRBench and Math-Vista benchmarks.
multimodalvision-understandingopengvlab
Désactivé
Microsoft
Microsoft LayoutLMv3 multimodal document model. Unified text/image masking pretraining for form understanding, receipts and document QA.
ocrvision-understandingopen-source
Désactivé
Meta's flagship vision-language model. 90B parameters, image understanding + chat, strong VQA performance.
llamamultimodalvision
Désactivé
Community
LLaVA v1.6 on a Nous-Hermes-2 34B base, served on Replicate. Open-source vision-language assistant for image question answering, description and visual reasoning at higher resolution.
llavavision-understandingopen-source
Désactivé
Community
LMMs-Lab LLaVA-OneVision 72B. Unified single-image, multi-image and video instruction-tuned VLM with task-transfer across modalities.
multimodalvision-understandingllava
Désactivé
Community
Marker PDF-to-Markdown conversion pipeline. Combines layout, OCR and equation models to produce clean Markdown with preserved tables and formulas.
ocrvision-understandingpdf
Actuellement non proposé
Google DeepMind
Google MediaPipe Pose. Lightweight on-device-friendly 33-keypoint 3D pose estimator with optional segmentation mask output.
posevision-understandingopen-source
Désactivé
Mistral AI
Mistral OCR API. Document-understanding model with strong table and equation extraction, and structured JSON output.
ocrvision-understandingapi
Désactivé
Mistral AI
Mistral's 124B multimodal flagship. 123B decoder + 1B vision encoder, 128k ctx, up to 30 images per request.
pixtralmultimodalvision
Désactivé
Community
OpenMMLab MMPose toolbox. Wraps RTMPose, HRNet, HigherHRNet and many other pose models behind a unified inference API.
posevision-understandingmmpose
Désactivé
Microsoft
Microsoft Phi-3.5 Vision Instruct. Small (4.2B) multimodal model with strong document, OCR and multi-image reasoning at low cost.
multimodalvision-understandingopen-weights
Désactivé
Alibaba (Qwen)
Alibaba's 72B vision-language model with M-RoPE and dynamic resolution. Strong document and video understanding.
multimodalvisionopen-weights
Désactivé
Alibaba (Qwen)
Alibaba Qwen2.5-VL 7B via Hugging Face Inference. Open-weights image-text-to-text model with improved OCR, chart and table reading, object grounding and long-document understanding.
vision-understandingopen-weightsocr
Actuellement non proposé
Reka
Reka's frontier multimodal model supporting text, image, video and audio inputs.
multimodalvideo-understanding
Actuellement non proposé
Reka
Reka's small on-device-friendly multimodal model. ~7B parameters, 16k context.
multimodaledgesmall
Actuellement non proposé
Reka
Reka's 21B dense multimodal model balancing speed and quality. Up to 128k context.
multimodalcost-efficient
Actuellement non proposé
Community
ETH Zurich SAM-HQ. High-quality mask refinement on top of SAM. Sharper edges and finer structure than the original Segment Anything model.
segmentationvision-understandingopen-source
Désactivé
Microsoft
Microsoft TrOCR large transformer-based OCR. End-to-end visual encoder plus text decoder, trained on synthetic and printed real-world data.
ocrvision-understandingopen-source
Désactivé
Community
ViTPose plain-vision-transformer pose estimator. State-of-the-art keypoint accuracy on MS-COCO with a minimal architecture.
posevision-understandingtransformer
Désactivé
01.AI
01.AI Yi-VL 34B vision-language model. Bilingual (CN/EN) image understanding, strong CMMMU and MMMU performance among open-weights VLMs.
multimodalvision-understanding01ai
Désactivé
Leurs pages restent en ligne, mais les modèles ne peuvent pas être exécutés pour le moment.
Les modèles multimodaux acceptent du texte plus des images (parfois plus de l'audio ou de la vidéo) et produisent du texte en sortie. On y a recours quand l'entrée contient des images et que la sortie est une information structurée : extraire une facture, décrire un graphique, transcrire une note manuscrite, répondre à des questions sur une capture d'écran d'UI.
La tarification est au token comme les LLM classiques, avec une particularité : chaque image est comptée comme un nombre fixe de tokens — typiquement 250 à 1 500 tokens selon la résolution et le mode détail. Une image standard 1024×1024 coûte à peu près la même chose qu'un input texte de 1 000 mots. Le mode haute définition (préservant le texte fin et les petits éléments d'UI) coûte 2 à 4× plus. Planifiez les budgets en conséquence — une charge qui traite des milliers de scans de reçus par jour grimpe vite aux tarifs phares ; multipliez le prix au token de la page modèle par votre nombre de tokens image.
Le compromis est précision OCR, qualité de raisonnement et coût. Les phares (GPT-5 Vision, Claude 4.6, Gemini 2.5) lisent des mises en page complexes et raisonnent sur le contenu des graphiques très fidèlement. Les modèles OCR-first spécialisés (Qwen 2.5 VL, Pixtral, InternVL) surpassent parfois sur l'extraction texte pure à une fraction du coût. Pour les pipelines document-vers-JSON purs, un modèle spécialisé avec un schéma JSON strict gagne généralement. Pour les charges document-et-raisonnement (« extrait cette facture ET dis-moi si le calcul de TVA est juste »), les phares gagnent.
Attention aux limites de résolution : la plupart des modèles redimensionnent les très grandes images avant traitement, ce qui peut détruire le texte fin dans les captures d'écran et les documents denses. Pré-traitez — découpez les documents hauts en images mono-page, upscalez les scans basse résolution avant envoi — pour préserver la lisibilité. Attention aussi aux hallucinations sur les zones difficiles à lire ; les modèles multimodaux tendent à inventer avec assurance du texte là où la source est illisible.
Les top picks ci-dessus couvrent le phare le plus précis, le cheval de trait le moins cher, le support de plus haute résolution et l'option streaming la plus rapide.
GPT-5 Vision et Claude 4.6 mènent sur les mises en page complexes, les graphiques et l'écriture manuscrite. Pour l'OCR pur sur documents propres, Qwen 2.5 VL et Pixtral égalent souvent la qualité phare à un dixième du coût. Lancez un échantillon de vos propres documents sur chacun avant de vous engager.
Chaque image est convertie en un nombre fixe de tokens — typiquement 250 à 1 500 tokens selon la résolution et le mode détail. Donc une image 1024×1024 coûte la même chose qu'environ 1 000 tokens de texte. Les documents multipages multiplient linéairement ; consultez chaque fiche modèle pour les tarifs image-token exacts.
JPEG, PNG, WebP et GIF (première frame) sont universels. Certains modèles acceptent aussi PDF directement (une image par page). La taille max de fichier est typiquement de 20 Mo ; les dimensions max sont de 8K par côté. Pré-redimensionnez les fichiers plus grands pour éviter un redimensionnement silencieux.
Les phares gèrent fidèlement l'écriture manuscrite claire et la plupart des écritures cursives dans les langues majeures. La qualité chute sur l'écriture très stylisée, l'encre passée et la sténo complexe. Pour les charges manuscrites à fort volume, affinez sur un échantillon de votre domaine ou couplez avec un pré-processeur OCR spécialisé.
Oui — la lecture de graphiques est l'un des cas d'usage les plus forts. Les phares extraient les points de données des graphiques à barres, des graphiques linéaires et des camemberts ; ils raisonnent sur les échelles d'axe et identifient les tendances. Pour les figures scientifiques denses, demandez une sortie structurée (CSV ou JSON) plutôt qu'une description narrative.
La qualité se dégrade fortement sous 150 DPI ou au-dessus de 30 % de bruit. Pré-traitez avec correction d'inclinaison, normalisation de contraste et débruitage léger. Pour les très mauvais scans, lancez d'abord un upscaler (depuis /models/image) pour restaurer la lisibilité avant envoi.
Oui — la plupart des phares acceptent 10 à 20 images dans un même prompt. Utile pour comparer des captures d'écran, traiter des documents multipages en une passe ou analyser des séquences de frames. Le nombre total de tokens (incluant tous les tokens image) doit tenir dans la fenêtre de contexte.
Certains modèles multimodaux (Gemini 2.5 Pro, Qwen 2.5 VL) acceptent la vidéo directement et échantillonnent les frames en interne. Pour les autres, extrayez les frames vous-même (toutes les 1 à 2 secondes est typique) et envoyez-les comme prompt multi-image. Pour l'analyse vidéo temps réel, regardez les modèles de compréhension vidéo dédiés.
Tous les modèles disponibles via une API compatible OpenAI. Crédits prépayés en USD, sans abonnement.
