Modelo de visão e linguagem (VLM)
Um modelo de visão e linguagem lê imagens, e com frequência vídeos, junto com texto, então você pode fazer perguntas sobre uma foto, uma captura de tela ou uma página de documento.
Um VLM junta um modelo de linguagem com um codificador de visão que transforma a imagem em tokens que o modelo de linguagem consegue ler. A saída é texto, então um VLM pode descrever uma foto, ler um gráfico, responder perguntas sobre uma captura de tela ou transformar uma página em Markdown. O termo é mais estreito que modelo multimodal, que também cobre áudio e a geração de imagens ou fala.
Muitos lançamentos de 2026 são VLMs por padrão, por exemplo Qwen3.5, Gemma 4 e Mistral Large 4. Os modelos OCR deste site são VLMs pequenos treinados para uma única tarefa: ler documentos. Confira a coluna de entradas em cada página de modelo, porque entrada de imagem não significa entrada de vídeo ou áudio.
Termos relacionados
- Modelo multimodal Um modelo multimodal pode lidar com mais de um tipo de dados, como texto, imagens, áudio ou vídeo, como entrada, como saída ou ambos.
- OCR e análise de documentos O OCR transforma a imagem de um texto em texto; a análise de documentos vai além e reconstrói tabelas, fórmulas, gráficos e a ordem de leitura, geralmente como Markdown.
- Token Um token é um pequeno pedaço de texto, muitas vezes uma palavra ou parte de uma palavra, que um modelo de linguagem lê e escreve; os modelos medem comprimento e velocidade em tokens.