Modelo de visão e linguagem: dá para rodar em casa?
Modelos que leem imagens e respondem em texto, e a memória que pedem.
Resposta curta
Um modelo que lê uma imagem e responde em texto. Sim, roda localmente no tamanho certo.
- Numa placa de 24 GB: 6 dos 16 modelos de visão com nota e página aqui rodam bem (estimativa Q4).
- Maior nota entre eles: Qwen3.8 27B.
- Imagens usam memória: Cada imagem ocupa espaço na conversa; várias imagens grandes pedem mais.
Rodada de visão do LMArena de 2026-10-19 (CC BY 4.0); memória pela regra Q4 do site na RTX 4090 24 GB. Metodologia
O que é
Um modelo de visão e linguagem é um modelo de chat que também aceita imagens. Um codificador de visão transforma a imagem numa sequência de tokens, e o modelo de linguagem lê esses tokens junto com a sua pergunta. Assim ele descreve uma foto, lê uma captura de tela ou uma página escaneada, responde perguntas sobre um gráfico ou extrai campos de um recibo. Ele responde em texto; não desenha. Desenhar é o que fazem os modelos de geração de imagens, que seguem outras regras de memória.
Alguns são linhas dedicadas à visão, como Molmo ou Qwen-VL; outros são modelos gerais que também leem imagens, como o Gemma 4. O menor com nota e página aqui, o Molmo-7B-D-0924, tem cerca de 8 bilhões de parâmetros e cabe numa placa de 8 GB pela estimativa do site.
Modelos com nota
LMArena de visão 2026-10-19: votos humanos às cegas em modelos hospedados, uma pontuação com intervalo. O Q4 inclui a reserva de cada máquina.
| Modelo · parâmetros | Pontuação LMArena de visão | RTX 4090 · 24 GB de VRAM (GB) | MacBook Air 13 polegadas M4 · 32 GB unificados (GB) |
|---|---|---|---|
| GLM-5.3 Flash Z.ai · 320B | 1.271 ± 6 | 242 · Precisa de mais memória | 248 · Precisa de mais memória |
| Gemma 4 31B Google · 30,7B | 1.262 ± 6 | 26 · Roda devagar | 32 · Roda bem |
| Qwen3.8 27B Alibaba · 27B | 1.242 ± 8 | 23 · Roda bem | 29 · Roda bem |
| Gemma 4 26B A4B Google · 25,2B | 1.242 ± 6 | 21 · Roda bem | 27 · Roda bem |
| MiniMax M3 MiniMax · 428B | 1.233 ± 6 | 323 · Precisa de mais memória | 329 · Precisa de mais memória |
| Qwen3-VL-235B-A22B-Instruct Alibaba · 235,7B | 1.215 ± 7 | 179 · Precisa de mais memória | 185 · Precisa de mais memória |
| GLM-4.5V Z.ai · 107,7B | 1.153 ± 12 | 83 · Precisa de mais memória | 89 · Precisa de mais memória |
| Llama-4-Maverick-17B-128E-Instruct Meta · 401,6B | 1.145 ± 9 | 304 · Precisa de mais memória | 310 · Precisa de mais memória |
| Llama-4-Scout-17B-16E-Instruct Meta · 108,6B | 1.128 ± 10 | 84 · Precisa de mais memória | 90 · Precisa de mais memória |
| Qwen2.5-VL-32B-Instruct Alibaba · 33,5B | 1.119 ± 15 | 28 · Roda devagar | 34 · Precisa de mais memória |
| Molmo-72B-0924 Ai2 · 73,3B | 1.045 ± 13 | 57 · Precisa de mais memória | 63 · Precisa de mais memória |
| Llama-3.2-90B-Vision-Instruct Meta · 88,6B | 1.032 ± 9 | 69 · Precisa de mais memória | 75 · Precisa de mais memória |
Pontuações: (LMArena 2026-10-19 · visão, lido em 25 de out. de 2026)
Memória e imagens
Os pesos são planejados como os de qualquer modelo de texto do mesmo tamanho. Cada imagem acrescenta tokens à conversa, e esses tokens ocupam espaço no cache de contexto como as palavras, então várias imagens grandes num chat pedem mais memória do que o plano mostra. A entrada de imagem também depende do runtime: alguns trazem a parte de visão como um arquivo separado (um projetor) que precisa ser baixado junto com o modelo.
Lado a lado: Gemma 4 26B A4B vs Qwen3-VL 30B A3B para imagens · Molmo 7B vs MiniCPM-V 4.5 para imagens