38 modeli

  • Nowe

    Anthropic's April 2026 flagship. 87.6% on SWE-bench Verified, 3x higher image resolution, output self-verification, vision + reasoning.

    reasoningagenticvision

    Modalności: Tekst, Obraz1 mln kontekstu

    6,00 USD/1M wej.

    30,00 USD/1M wyj.

  • Nowe

    Anthropic's balanced mid-tier model from February 2026. Best price/performance for production workloads: 5x cheaper than Opus, near-flagship quality.

    balancedproductionagentic

    Modalności: Tekst, Obraz1 mln kontekstu

    3,60 USD/1M wej.

    18,00 USD/1M wyj.

  • Gemini 3 Flash

    Google DeepMind

    Nowe

    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

    Modalności: Tekst, Obraz, Wideo, Audio1 mln kontekstu

    0,60 USD/1M wej.

    3,60 USD/1M wyj.

  • Gemini 3.1 Pro

    Google DeepMind

    Nowe

    Google DeepMind's February 2026 flagship. 1M-token (1,048,576) context, native multimodal (text/image/audio/video), Deep Think reasoning.

    multimodaldeep-thinklong-context

    Modalności: Tekst, Obraz, Wideo, Audio1 mln kontekstu

    2,40 USD/1M wej.

    14,40 USD/1M wyj.

  • GPT-5.4

    OpenAI

    Nowe

    OpenAI's unified flagship combining GPT and o-series reasoning into one model. 1M context, multimodal, top SWE-Bench Pro and OSWorld scores.

    reasoningagenticvision

    Modalności: Tekst, Obraz1,1 mln kontekstu

    3,00 USD/1M wej.

    18,00 USD/1M wyj.

  • Nowe

    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

    Modalności: Tekst, Obraz400 tys. kontekstu

    0,90 USD/1M wej.

    5,40 USD/1M wyj.

  • BLIP

    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

    Modalności: Tekst, Obraz

    ≈ 0,00030 USD/uruchomienie

  • 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

    Modalności: Tekst, Obraz

    ≈ 0,0457 USD/uruchomienie

  • Monocular depth-estimation model trained on 595k labeled and 62M unlabeled images. Strong zero-shot generalization in indoor and outdoor scenes.

    depthvision-understandingopen-weights

    Modalności: Tekst, Obraz

    ≈ 0,0050 USD/uruchomienie

  • 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

    Modalności: Tekst, Obraz, Wideo

    ≈ 0,018 USD/uruchomienie

  • Nowe

    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

    Modalności: Tekst, Obraz200 tys. kontekstu

    1,20 USD/1M wej.

    6,00 USD/1M wyj.

  • Nowe

    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

    Modalności: Tekst, Obraz400 tys. kontekstu

    0,24 USD/1M wej.

    1,50 USD/1M wyj.

  • CogVLM2 19B

    Community

    Tsinghua CogVLM2 19B with Llama-3 8B base plus 11B vision expert. Strong document understanding and visual reasoning, 8k context.

    multimodalvision-understandingtsinghua

    Modalności: Tekst, Obraz8,2 tys. kontekstu

    ≈ 0,0114 USD/uruchomienie

  • DeepSeek-VL 7B chat model. Vision-language model with hybrid vision encoder and strong real-world visual question answering performance.

    multimodalvision-understandingopen-weights

    Modalności: Tekst, Obraz4,1 tys. kontekstu

    ≈ 0,0086 USD/uruchomienie

  • Naver CLOVA Donut OCR-free document-understanding transformer. End-to-end JSON extraction from forms, receipts and invoices without explicit OCR.

    ocrvision-understandingnaver

    Modalności: Tekst, Obraz

    ≈ 0,0648 USD/uruchomienie

  • Dots OCR

    Community

    Rednote Hilab Dots OCR. End-to-end document parsing model with layout, text and reading-order prediction in one transformer.

    ocrvision-understandingopen-source

    Modalności: Tekst, Obraz

    ≈ 0,0132 USD/uruchomienie

  • EasyOCR

    Community

    JaidedAI EasyOCR. Simple Python OCR wrapper supporting 80+ languages with deep-learning text detection and recognition.

    ocrvision-understandingmultilingual

    Modalności: Tekst, Obraz

    ≈ 0,0014 USD/uruchomienie

  • Microsoft Florence-2 Large. Unified prompt-based vision foundation model for captioning, detection, segmentation and OCR with a single 770M-param backbone.

    multimodalvision-understandingmicrosoft

    Modalności: Tekst, Obraz

    ≈ 0,0012 USD/uruchomienie

  • GLPN Depth

    Community

    Global-Local Path Networks depth-estimation model. Combines hierarchical transformer encoder with selective feature fusion for sharp boundaries.

    depthvision-understandingopen-source

    Modalności: Tekst, Obraz

    ≈ 0,0094 USD/uruchomienie

  • GOT-OCR 2.0

    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

    Modalności: Tekst, Obraz

    ≈ 0,0012 USD/uruchomienie

  • Grounded-SAM

    Community

    Grounding DINO plus SAM. Open-vocabulary text-prompted detection and segmentation in one pipeline for fully-automatic mask generation.

    segmentationvision-understandingopen-vocabulary

    Modalności: Tekst, Obraz

    ≈ 0,0015 USD/uruchomienie

  • Idefics3 8B

    Community

    Hugging Face Idefics3 8B. Llama-3 based open-source vision-language model with strong document QA and chart-understanding performance.

    multimodalvision-understandingopen-weights

    Modalności: Tekst, Obraz8,2 tys. kontekstu

    ≈ 0,0012 USD/uruchomienie

  • 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

    Modalności: Tekst, Obraz

    ≈ 0,0039 USD/uruchomienie

  • Meta Llama 3.2 90B Vision. Largest open-weights Llama vision model. Strong visual reasoning, chart, OCR and document understanding.

    multimodalvision-understandingmeta

    Modalności: Tekst, Obraz131,1 tys. kontekstu

    ≈ 0,0070 USD/uruchomienie

  • 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

    Modalności: Tekst, Obraz4,1 tys. kontekstu

    ≈ 0,1021 USD/uruchomienie

  • Lotus-G

    Community

    Lotus generative depth model. Treats depth as a generation task using a diffusion model, producing higher-fidelity depth on textured surfaces.

    depthvision-understandingdiffusion

    Modalności: Tekst, Obraz

    ≈ 0,0408 USD/uruchomienie

  • Marigold

    Community

    ETH Zurich Marigold. Diffusion-based monocular depth-estimation model fine-tuned from Stable Diffusion with strong fine-detail recovery.

    depthvision-understandingdiffusion

    Modalności: Tekst, Obraz

    ≈ 0,0936 USD/uruchomienie

  • Meta Mask2Former universal image-segmentation transformer. Single architecture for panoptic, instance and semantic segmentation tasks.

    segmentationvision-understandingtransformer

    Modalności: Tekst, Obraz

    ≈ 0,0276 USD/uruchomienie

  • MiDaS v3.1

    Community

    Intel MiDaS v3.1 relative depth-estimation model. Robust zero-shot single-image depth across diverse domains and resolutions.

    depthvision-understandingintel

    Modalności: Tekst, Obraz

    ≈ 0,00030 USD/uruchomienie

  • MiniCPM-V 2.6

    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

    Modalności: Tekst, Obraz, Wideo32,8 tys. kontekstu

    ≈ 0,0015 USD/uruchomienie

  • Molmo 7B

    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

    Modalności: Tekst, Obraz

    ≈ 0,0505 USD/uruchomienie

  • Moondream2

    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

    Modalności: Tekst, Obraz

    ≈ 0,0020 USD/uruchomienie

  • olmOCR

    Community

    Allen AI olmOCR. Open-source 7B vision-language model fine-tuned for high-fidelity document parsing including math, code and tables.

    ocrvision-understandingallenai

    Modalności: Tekst, Obraz

    ≈ 0,0205 USD/uruchomienie

  • OpenPose

    Community

    CMU OpenPose multi-person 2D pose estimator. Real-time keypoint detection for body, hand, face and foot using Part Affinity Fields.

    posevision-understandingcmu

    Modalności: Tekst, Obraz, Wideo

    ≈ 0,0012 USD/uruchomienie

  • PaddleOCR v3

    Community

    Baidu PaddleOCR v3 PP-OCR pipeline. Lightweight detector plus recognizer optimized for production use with 80+ language support.

    ocrvision-understandingbaidu

    Modalności: Tekst, Obraz

    ≈ 0,0216 USD/uruchomienie

  • 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

    Modalności: Tekst, Obraz, Wideo

    ≈ 0,0024 USD/uruchomienie

  • Segformer B5

    Community

    NVIDIA SegFormer-B5 semantic segmentation. Hierarchical transformer encoder with lightweight MLP decoder, strong ADE20k and Cityscapes results.

    segmentationvision-understandingnvidia

    Modalności: Tekst, Obraz

    ≈ 0,00030 USD/uruchomienie

  • ZoeDepth

    Community

    Intel ZoeDepth metric depth-estimation model. Combines relative-depth pretraining with metric fine-tuning for absolute distance in real units.

    depthvision-understandingintel

    Modalności: Tekst, Obraz

    ≈ 0,00060 USD/uruchomienie

29 modeli niedostępnych

Ich strony pozostają dostępne, ale modele nie mogą być uruchamiane w tej chwili.

Modele multimodalne — vision, OCR i rozumienie dokumentów

Modele multimodalne akceptują tekst plus obrazy (czasem plus audio lub wideo) i produkują output tekstowy. Po taki model sięgasz, gdy twój input zawiera obrazy, a output to ustrukturyzowana informacja: wyciągnij fakturę, opisz wykres, przepisz odręczną notatkę, odpowiedz na pytania o screenshot UI.

Ceny, kompromisy i pułapki

Cennik jest per token jak w zwykłych LLM-ach, z jednym haczykiem: każdy obraz liczony jest jako stała liczba tokenów — zwykle 250-1 500 tokenów w zależności od rozdzielczości i trybu detail. Standardowy obraz 1024×1024 kosztuje mniej więcej tyle co input tekstowy 1 000 słów. Tryb high-detail (zachowując drobny tekst i małe elementy UI) kosztuje 2-4× więcej. Planuj budżet odpowiednio — obciążenie przetwarzające tysiące skanów paragonów dziennie szybko rośnie na stawkach flagship; pomnóż cenę za token ze strony modelu przez liczbę tokenów obrazu.

Kompromis to dokładność OCR, jakość rozumowania i koszt. Flagshipy (GPT-5 Vision, Claude 4.6, Gemini 2.5) czytają złożone layouty i pewnie rozumują nad zawartością wykresów. Wyspecjalizowane modele OCR-first (Qwen 2.5 VL, Pixtral, InternVL) czasem przebijają w czystej ekstrakcji tekstu za ułamek kosztu. Dla czystych pipeline'ów document-to-JSON wyspecjalizowany model ze ścisłym JSON schema zwykle wygrywa. Dla obciążeń document-and-reasoning ('wyciągnij tę fakturę I powiedz mi, czy matematyka VAT się zgadza') wygrywają flagshipy.

Uwaga na limity rozdzielczości: większość modeli skaluje w dół bardzo duże obrazy przed przetwarzaniem, co może niszczyć drobny tekst w screenshotach i gęstych dokumentach. Pre-processuj — tnij wysokie dokumenty na obrazy single-page, podnoś rozdzielczość niskiej jakości skanów przed wysłaniem — by zachować czytelność. Uwaga też na halucynacje w trudno czytelnych obszarach; modele multimodalne lubią z pewnością wymyślać tekst tam, gdzie źródło jest nieczytelne.

Top picks powyżej obejmują najdokładniejszego flagshipa, najtańszego konia roboczego, model wspierający najwyższą rozdzielczość oraz najszybszą opcję streamingową.

Typowe zadania

  • Ekstrakcja faktur i paragonów
  • OCR i strukturyzacja dokumentów
  • Analiza screenshotów UI
  • Odczyt wykresów i diagramów
  • Adnotacje obrazów medycznych i naukowych
  • Visual QA pod dostępność

Często zadawane pytania

Który model multimodalny najlepiej czyta dokumenty?

GPT-5 Vision i Claude 4.6 prowadzą w złożonych layoutach, wykresach i piśmie odręcznym. Dla czystego OCR na czystych dokumentach Qwen 2.5 VL i Pixtral często dorównują jakości flagship za jedną dziesiątą kosztu. Uruchom próbkę własnych dokumentów na każdym, zanim się zwiążesz.

Jak liczony jest cennik za obrazy?

Każdy obraz przeliczany jest na stałą liczbę tokenów — zwykle 250-1 500 tokenów w zależności od rozdzielczości i trybu detail. Więc obraz 1024×1024 kosztuje mniej więcej tyle co ~1 000 tokenów tekstu. Dokumenty wielostronicowe rosną liniowo; sprawdź każdą kartę modelu pod dokładne stawki image-token.

Jakie formaty obrazów są akceptowane?

JPEG, PNG, WebP i GIF (pierwsza klatka) są uniwersalne. Niektóre modele akceptują też PDF bezpośrednio (jeden obraz na stronę). Maksymalny rozmiar pliku to zwykle 20 MB; maksymalne wymiary 8K na bok. Wstępnie zmniejszaj większe pliki, by uniknąć cichego downscalingu.

Czy potrafi czytać pismo odręczne?

Flagshipy radzą sobie z czytelnym pismem odręcznym pewnie i z większością cursywy w głównych językach. Jakość spada na bardzo stylizowanym piśmie, wyblakłym atramencie i złożonej stenografii. Dla obciążeń odręcznych o dużym wolumenie fine-tunuj na próbce twojej domeny albo łącz z wyspecjalizowanym pre-procesorem OCR.

Czy rozumie wykresy i diagramy?

Tak — odczyt wykresów to jeden z najmocniejszych use case'ów. Flagshipy wyciągają punkty danych ze słupkowych, liniowych i kołowych; rozumują nad skalami osi i identyfikują trendy. Dla gęstych figur naukowych proś o output ustrukturyzowany (CSV lub JSON), a nie opis narracyjny.

Jak radzi sobie ze skanami niskiej jakości?

Jakość gwałtownie spada poniżej 150 DPI lub powyżej 30% szumu. Pre-processuj deskewingiem, normalizacją kontrastu i lekkim odszumianiem. Dla bardzo słabych skanów najpierw przepuść przez upscaler (z /models/image), by odzyskać czytelność, zanim wyślesz.

Czy mogę wysłać wiele obrazów w jednym żądaniu?

Tak — większość flagshipów akceptuje 10-20 obrazów w pojedynczym prompcie. Przydatne do porównywania screenshotów, przetwarzania dokumentów wielostronicowych w jednym przejściu albo analizowania sekwencji klatek. Całkowita liczba tokenów (włącznie ze wszystkimi image-tokens) musi się zmieścić w oknie kontekstu.

Czy wideo klatka po klatce jest wspierane?

Niektóre modele multimodalne (Gemini 2.5 Pro, Qwen 2.5 VL) akceptują wideo bezpośrednio i wewnętrznie próbkują klatki. W innych wyciągaj klatki sam (co 1-2 sekundy to typowo) i wysyłaj jako prompt multi-image. Dla analizy wideo real-time spójrz na dedykowane modele video understanding.

Zacznij z jednym API

Wszystkie dostępne modele przez jedno API kompatybilne z OpenAI. Przedpłacone kredyty w USD, bez subskrypcji.