66 modelos con ficha. La clasificación describe capacidades, no un orden de calidad.
Modelo propietario de OpenAI publicado el 26 de octubre de 2026 para interpretar imágenes, utilizar aplicaciones y redactar textos. Recibe texto e imagen y devuelve texto; generar imágenes mediante una herramienta no constituye una modalidad de salida nativa. Está disponible en la API con el identificador gpt-6.1-terra y en ChatGPT Work y Codex según el plan. No se publica como un checkpoint descargable.
Texto y razonamiento · Propietario de pago↗ TencentCheckpoint de Tencent Hunyuan para traducción simultánea de voz entre chino e inglés, incluido en el anuncio del 26 de octubre de 2026. Recibe audio incremental y produce texto traducido. La variante Interleave conserva también el texto original; es una salida diferente, no una cuantización. La creación de los repositorios el 22 de octubre no se presenta como fecha de lanzamiento.
Voz y audio · Pesos abiertos↗ TencentCheckpoint de Tencent Hunyuan para traducción simultánea de voz entre chino e inglés, incluido en el anuncio del 26 de octubre de 2026. Recibe audio incremental y produce texto traducido. La variante Interleave conserva también el texto original; es una salida diferente, no una cuantización. La creación de los repositorios el 22 de octubre no se presenta como fecha de lanzamiento.
Voz y audio · Pesos abiertos↗ inclusionAIModelo visual de inclusionAI basado en Qwen3.8-27b. Aprende a localizar elementos de interfaces y a examinar regiones de una imagen mediante recortes, transfiriendo esa estrategia a preguntas visuales generales. La publicación utilizable del 26 de octubre incluye doce fragmentos de pesos y una ficha completa; el repositorio vacío de esa mañana no se consideró un lanzamiento. La salida son texto y acciones de recorte, no imágenes generadas.
Visión y documentos · Pesos abiertos↗ BaiduModelo de Baidu para extraer contenido de documentos de muchas páginas, anunciado el 27 de octubre de 2026. SR-SWA conserva referencias de trabajo dentro de una ventana finita para reducir el crecimiento del coste de atención. La entrada son imágenes de páginas en orden y la salida es texto estructurado. Un PDF requiere conversión previa a imágenes. La creación del repositorio el día anterior no sustituye la fecha del anuncio.
Visión y documentos · Pesos abiertos↗ NVIDIACheckpoint de investigación publicado el 20 de octubre de 2026 para robótica quirúrgica. Un mismo modelo ofrece tres modos: dinámica directa de acciones a vídeo, dinámica inversa de vídeo a acciones y política condicionada por imagen, texto e historial. Deriva de Cosmos3-Nano, con torre de razonamiento Qwen3-VL y ajuste de la torre generativa. No son tres modelos independientes ni un dispositivo médico autorizado.
Robótica · Pesos abiertos↗ NVIDIAVariante causal destilada de Cosmos3-Nano-Transfer-Auto, publicada por NVIDIA el 20 de octubre de 2026 para simulación de conducción en bucle cerrado. Produce vídeo multivista y LiDAR sincronizados a partir de controles y texto. Soporta hasta once cámaras. La capacidad de responder a controles durante una secuencia la distingue del generador bidireccional, pero no constituye una política de conducción autónoma.
Robótica · Pesos abiertos↗ NVIDIAModelo causal de NVIDIA para simular visualmente manipulación bimanual y navegación de cámara, publicado el 20 de octubre de 2026. Recibe una imagen inicial, acciones del robot, trayectoria de cámara y texto opcional. Su salida es vídeo, no acciones: no debe confundirse con una política de control. El checkpoint declara un cuerpo AgiBot; otras morfologías requieren validación específica.
Robótica · Pesos abiertos↗ NVIDIAModelo causal destilado de NVIDIA publicado el 20 de octubre de 2026 para convertir controles visuales de simulación en vídeo RGB. La geometría, física y verdad de referencia siguen perteneciendo al simulador clásico; la red aporta apariencia visual. Acepta texto y controles de profundidad, segmentación, bordes o desenfoque. No es una política que produzca acciones de robot ni un motor físico certificado.
Robótica · Pesos abiertos↗ NVIDIAModelo bidireccional de NVIDIA para generar escenas de conducción con vídeo multivista y LiDAR sincronizados. Publicado el 20 de octubre de 2026, combina texto, controles de mundo WSM y una imagen inicial opcional. Soporta hasta once cámaras estándar u ojo de pez y hasta 300 fotogramas por vista. Es generación por lotes, no el modelo causal de simulación Sim-Auto.
Robótica · Pesos abiertos↗ MistralVariante de transcripción offline de 4B parámetros anunciada por Mistral el 20 de octubre de 2026. Convierte audio en texto y admite diarización y vocabulario contextual. La especificación vigente incluye 50 idiomas. Es un modelo distinto de Small y de Mini Realtime, con precio propio y acceso alojado en vista previa pública. El tamaño declarado no implica que sus pesos estén disponibles para descarga.
Voz y audio · Propietario de pago↗ MistralTranscriptor de audio en streaming presentado por Mistral el 20 de octubre de 2026. La guía actual enumera 45 idiomas y dialectos. Utiliza WebSocket, entrega texto incremental y añade detección de fin de turno, etiquetas de hablante y context_bias. No genera voz ni comparte automáticamente las capacidades offline de Small. El identificador versionado permite distinguirlo de los alias que pueden cambiar de versión.
Voz y audio · Propietario de pago↗ MistralModelo de síntesis de voz presentado el 20 de octubre de 2026. La guía específica vigente declara 35 idiomas y más de 50 dialectos; el recuento antiguo de nueve idiomas de la ficha no se utiliza como límite actual. Convierte texto en audio, con referencia de voz opcional. Las respuestas por lotes y en streaming utilizan el mismo modelo; no se duplican como checkpoints distintos.
Voz y audio · Propietario de pago↗ MistralTranscriptor de Mistral presentado el 20 de octubre de 2026 en vista previa pública. Acepta archivos de audio y devuelve texto, con diarización y sesgo contextual para vocabulario especializado. La guía de idiomas declara 50 lenguas para la transcripción offline. Small y Mini son variantes diferentes con tarifas propias; esta ficha utiliza el identificador versionado voxtral-small-transcribe-3-0, no un alias móvil.
Voz y audio · Propietario de pago↗ NVIDIAModelo de edición de imagen de NVIDIA, versión 1.0.0 publicada el 20 de octubre de 2026. Transforma recortes sintéticos de componentes de circuitos impresos renderizados en Omniverse hacia un estilo de iluminación de inspección óptica. Deriva de Qwen-Image-Edit con un ajuste LoRA fusionado: el paquete incluye la pipeline completa, no un adaptador independiente. El usuario aporta la imagen; la instrucción inglesa es fija, no un prompt libre.
Imagen · Pesos abiertos↗ NVIDIAModelo de embeddings de NVIDIA con 1,55B parámetros, publicado el 20 de octubre de 2026. Vectoriza documentos de texto, imágenes de página o ambos, con consultas exclusivamente textuales. Destilado de Embed 8B, mantiene congelada la torre textual de Nemotron 3 Embed 1B y añade recuperación visual. Su vector tiene 2.048 dimensiones; no comparte automáticamente el espacio del modelo 8B.
Embeddings · Pesos abiertos↗ NVIDIAModelo de embeddings de NVIDIA con 8,38B parámetros, publicado el 20 de octubre de 2026. Vectoriza texto, imágenes de página o ambos para búsqueda con consultas textuales. Mantiene congelada la torre de Nemotron 3 Embed 8B y añade visión mediante Pixtral. Conserva el espacio de embeddings textuales de ese predecesor; produce vectores de 4.096 dimensiones, no respuestas conversacionales.
Embeddings · Pesos abiertos↗ NVIDIAReranker de NVIDIA con 8,38B parámetros, publicado el 20 de octubre de 2026. Puntúa cada pareja de consulta textual y documento, que puede contener texto, una imagen de página o ambos. Complementa la búsqueda inicial reordenando candidatos; no genera respuestas ni embeddings. Combina un codificador visual Pixtral con una torre Ministral3 bidireccional.
Reranking · Pesos abiertos↗
Un flujo de trabajo para registrar cómo se crea, modifica y publica una imagen, un vídeo o un audio, y para interpretar con cautela las credenciales de procedencia.
29 sep. 2026 ↗
Un protocolo para comparar Stable Audio 3.0 con efectos de una biblioteca licenciada sin confundir una muestra llamativa con un flujo de trabajo fiable. Incluye criterios de escucha, tiempo, edición y derechos.
26 sep. 2026 ↗
Un plano generado puede resultar convincente por sí solo y, aun así, ser inutilizable al montarlo con otros. Esta guía propone un protocolo para evaluar continuidad visual, espacial y narrativa en secuencias de vídeo generativo, registrar su trazabilidad y decidir qué clips se aprueban, cuáles requieren intervención y cuáles deben descartarse.
23 sep. 2026 ↗
Una edición generativa útil en producción no se valida solo porque el cambio solicitado parezca correcto. Esta guía propone tratar cada retoque como un contrato de preservación: definir qué puede cambiar, qué debe mantenerse, cómo medirlo y cuándo exigir revisión humana.
23 sep. 2026 ↗
Usar una voz sintética de forma responsable exige más que una casilla de aceptación o una demo convincente. Esta guía propone un sistema operativo para relacionar cada audio con una autorización concreta, controlar el riesgo de parecido con personas identificables, informar cuando proceda y retirar activos al cambiar las condiciones de uso.
22 sep. 2026 ↗
Las credenciales C2PA pueden aportar evidencia criptográficamente verificable sobre declaraciones de procedencia y transformaciones de un archivo. No demuestran por sí mismas que una imagen sea verdadera, que pueda reutilizarse legalmente o que las personas retratadas hayan dado su consentimiento. Esta guía propone un método para evaluar esa evidencia, conservarla y comunicarla sin exagerar sus conclusiones.
22 sep. 2026 ↗