Возможность · 2026-08-13
ИИ-модели с визуальным вводом
Модели, принимающие изображения вместе с текстом — мультимодальное понимание.
Что это?
- Визуально-языковые модели принимают изображения в дополнение к тексту (или вместо него).
- Большинство отвечает текстом — это мультимодальные LLM, а не генераторы изображений.
Зачем это важно
- Сценарии: понимание документов (сканы, PDF, скриншоты), ревью UI/кода по скриншотам, Q&A по фото товаров, доступность (alt text), медицинские/спутниковые снимки.
- Тарификация обычно включает стоимость за изображение поверх стоимости за токен — см. таблицы offering каждого провайдера.
576 моделей с этой возможностью
Показаны первые 60 из 576. Перейдите к полному каталогу для дополнительной фильтрации.
Frequently asked questions
How many AI models support ввод изображений?
576 canonical models in our database currently support ввод изображений. The list is regenerated on every data refresh, so it always reflects the latest releases tracked in our catalogue.
What is the cheapest model with ввод изображений?
PaddleOCR-VL from novita-ai is currently the lowest-priced option, at $0.020 per 1M input tokens and $0.020 per 1M output tokens. The full table above is sorted price-ascending.
Which model with ввод изображений has the largest context window?
Llama 4 Scout 17B Instruct (US) (Meta) leads on context at 3.50M tokens. This may matter if you also need long-document understanding alongside ввод изображений.
Which models are available on the most providers?
Production-readiness usually correlates with how many independent providers host the same weights. The top three by provider count are: Kimi K2.6 (62), Kimi K2.5 (50), Kimi K3 (50).
How is ввод изображений different from a regular LLM?
Vision-language models accept image input alongside text. They are multimodal LLMs, not image generators — most reply in text after looking at the image.
How often is this list updated?
Daily. Our data pipeline syncs once a day, regenerates the canonical model list, and rebuilds these pages so newly released models appear within 24 hours.
Explore more
Top models with this capability
- PaddleOCR-VL$0.02 in / $0.02 out
- DeepSeek OCR 2$0.03 in / $0.03 out
- Llama 3.2 11B Vision Instruct$0.06 in / $0.06 out
- Gemma 3 4B IT$0.04 in / $0.08 out
- Gemma 4 E4B IT$0.02 in / $0.10 out
Other capabilities
Best-of lists you might also want
Pricing comparisons
Последнее обновление:
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.