Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

Modelo de visão e linguagem: dá para rodar em casa?

Modelos que leem imagens e respondem em texto, e a memória que pedem.

Modelos e famílias · atualizado em

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.

Modelos de visão e linguagem com nota no LMArena 2026-10-19 e página neste site, com o encaixe numa placa de 24 GB e num Mac de 32 GB.
Modelo · parâmetrosPontuação LMArena de visãoRTX 4090 · 24 GB de VRAM (GB)MacBook Air 13 polegadas M4 · 32 GB unificados (GB)
GLM-5.3 Flash
Z.ai · 320B
1.271 ± 6242 · Precisa de mais memória248 · Precisa de mais memória
Gemma 4 31B
Google · 30,7B
1.262 ± 626 · Roda devagar32 · Roda bem
Qwen3.8 27B
Alibaba · 27B
1.242 ± 823 · Roda bem29 · Roda bem
Gemma 4 26B A4B
Google · 25,2B
1.242 ± 621 · Roda bem27 · Roda bem
MiniMax M3
MiniMax · 428B
1.233 ± 6323 · Precisa de mais memória329 · Precisa de mais memória
Qwen3-VL-235B-A22B-Instruct
Alibaba · 235,7B
1.215 ± 7179 · Precisa de mais memória185 · Precisa de mais memória
GLM-4.5V
Z.ai · 107,7B
1.153 ± 1283 · Precisa de mais memória89 · Precisa de mais memória
Llama-4-Maverick-17B-128E-Instruct
Meta · 401,6B
1.145 ± 9304 · Precisa de mais memória310 · Precisa de mais memória
Llama-4-Scout-17B-16E-Instruct
Meta · 108,6B
1.128 ± 1084 · Precisa de mais memória90 · Precisa de mais memória
Qwen2.5-VL-32B-Instruct
Alibaba · 33,5B
1.119 ± 1528 · Roda devagar34 · Precisa de mais memória
Molmo-72B-0924
Ai2 · 73,3B
1.045 ± 1357 · Precisa de mais memória63 · Precisa de mais memória
Llama-3.2-90B-Vision-Instruct
Meta · 88,6B
1.032 ± 969 · Precisa de mais memória75 · 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