$0.180 入力 / $0.450 出力
- コンテキスト: 2M
- プロバイダー: 7
- ツール呼び出し
- 推論
- ビジョン
AI モデル特集 · 2026-06-29
2026 年版 ビジョン言語モデル (VLM)
画像入力 + テキスト出力に対応する VLM のランキング。OCR、UI スクリーンショット解析、図表理解、商品画像分析などのマルチモーダル用途を想定しています。
選定基準
- 画像入力対応は必須 —— テキストのみのモデルは除外します。
- 料金公開も必須 —— 価格非公開のモデルは本番運用での扱いが難しくなります。
- スコア = コンテキスト長 - 価格 —— 大きなウィンドウと低価格のバランスが良いモデルを上位にします。
上位 10 モデル
$0.180 入力 / $0.450 出力
- コンテキスト: 2M
- プロバイダー: 6
- ツール呼び出し
- ビジョン
$0.170 入力 / $0.660 出力
- コンテキスト: 3.50M
- プロバイダー: 1
- ツール呼び出し
- ビジョン
- オープンウェイト
$0.170 入力 / $0.660 出力
- コンテキスト: 3.50M
- プロバイダー: 1
- ツール呼び出し
- ビジョン
- オープンウェイト
$1.25 入力 / $2.50 出力
- コンテキスト: 2M
- プロバイダー: 6
- 構造化出力
- 推論
- ビジョン
$1.25 入力 / $2.50 出力
- コンテキスト: 2M
- プロバイダー: 4
- ツール呼び出し
- 構造化出力
- 推論
- ビジョン
$0.075 入力 / $0.300 出力
- コンテキスト: 1.05M
- プロバイダー: 4
- ツール呼び出し
- 構造化出力
- ビジョン
$0.090 入力 / $0.360 出力
- コンテキスト: 1.05M
- プロバイダー: 6
- ツール呼び出し
- 構造化出力
- 推論
- ビジョン
$0.080 入力 / $0.400 出力
- コンテキスト: 1.05M
- プロバイダー: 1
- ツール呼び出し
- 推論
- ビジョン
- オープンウェイト
$0.100 入力 / $0.400 出力
- コンテキスト: 1.05M
- プロバイダー: 17
- ツール呼び出し
- 構造化出力
- 推論
- ビジョン
Recommended stack by tier
Same shortlist sliced four ways — pick the tier that matches your budget and constraints.
Budget
Google$0.075 in / $0.300 out · 1.05M ctx
Lowest total per-1M-token cost in this list ($0.38).
Lowest-cost option that still meets the use case. Pick this when you have high volume or strict unit-economics.
Balanced
xAI$0.180 in / $0.450 out · 2M ctx
Median price ($0.63) — typically the safest default.
Good-enough quality at a mid-tier price. The default choice for most production apps.
Premium
xAI$1.25 in / $2.50 out · 2M ctx
Highest-priced pick in the list ($3.75) — usually the flagship.
Highest-capability model in this list. Pick when accuracy or reasoning matters more than cost.
Open-weight
aihubmix$0.080 in / $0.400 out · 1.05M ctx
Open weights and the cheapest in that subset ($0.48).
Open weights — self-host on your own GPUs, fine-tune on private data, run offline. Pricing here reflects the cheapest API host.
Frequently asked questions
2026 年に画像理解に最適な AI モデルはどれですか？
現時点では xAI の Grok 4 Fast (Reasoning) を 1 位としています。主な理由は画像入力に対応し、料金が公開されており、ビジョン系モデルの中で最良のコンテキスト / コスト比を実現しているためです。ランキングはモデルメタデータをもとに自動再計算されます —— 詳細ルールは上記「選定基準」をご確認ください。
このリストで最も安いモデルはどれですか？
Gemini 2.0 Flash-Lite（Google）が最安値で、入力 100 万トークンあたり $0.075、出力 100 万トークンあたり $0.300 です。他の入選モデルの価格はそこから上に推移します。
ランキングはどのように生成されますか？
各候補は use-case-rules 設定で定義されたプログラム的ルールから選ばれます。ハードフィルタ（例：ツール呼び出し必須、コンテキスト ≥ 100K）と、機能・コンテキスト長・価格を組み合わせた数値スコアの組み合わせです。順序を手作業で並べ替えることはありませんが、ルール自体は手動で改善しています。モデルのメタデータは正規化された canonical カタログから毎日更新されます。
このページはどのくらいの頻度で更新されますか？
モデルデータは毎日 1 回更新され、変更があると静的ページが再生成されます。下部の「最終更新」が直近のビルド日時です。
Explore more
Top picks · model details
- Grok 4 Fast (Reasoning)$0.18 in / $0.45 out
- X-Ai/Grok-4-Fast-Non-Reasoning$0.18 in / $0.45 out
- Llama 4 Scout 17B Instruct (US)$0.17 in / $0.66 out
- Llama 4 Scout 17B Instruct$0.17 in / $0.66 out
- Grok 4.20 Multi-Agent$1.25 in / $2.50 out
Other best-of lists
Browse by capability
最終更新：
Prices in USD per 1M tokens. Unknown means the provider does not publish per-token pricing.
Pricing and capabilities are refreshed daily and reconciled against each provider's official documentation. Always verify critical production decisions with the provider directly.